一作亲自解读论文！AMiner KDD专栏视频上线

2020 年 8 月 14 日 学术头条

本月 23 日，国际数据挖掘领域最高级别的会议 ACM SIGKDD（国际数据挖掘与知识发现大会，简称 KDD）即将举办！本会议由 ACM 的数据挖掘及知识发现专委会（SIGKDD）主办，被中国计算机协会推荐为 A 类会议。

自 1995 年以来，KDD 已经连续举办了二十余届大会，今年是第 26 届。今年的 KDD 大会原定于 2020 年 8 月 23 日 ~27 日在美国美国加利福尼亚州圣地亚哥举行。而由于疫情影响，本次大会将以线上形式举行。

在所有学术活动都在线上举行的趋势下，AMiner 顶会专版也推出了全新的专栏——视频专栏。自己读论文太枯燥？想快速掌握文章要领？在视频专栏里，既有作者几分钟内对论文进行简洁概述让你快速掌握论文全貌；也有作者以深入浅出的方式对文章的深度解析，带你了解文章背后的问题背景、动机、模型及结果应用等。是不是心动了呢，先让我们对已收录的论文视频一睹为快！

已收录的视频

1 论文分享：蜂鸟履约时间预估模型介绍

分享人： 朱鳞
机构：饿了么-阿里巴巴本地生活研究院-团队物流智能部-智慧物流组
简介：通过为顾客提供方便，例如方便地进入各种各样的餐厅、轻松地订购食物和快速送货，按需食品递送（OFD）平台近年来实现了爆炸式增长。在 OFD 平台上执行的一个关键的机器学习任务是预测订单履行周期时间（OFCT），它是指从客户下订单到他/她收到饭菜之间经过的时间量。预测 OFCT 的准确性对客户满意度很重要，因为它需要在客户下单前与客户沟通，并被视为一种尽可能履行的服务承诺。因此，OFCT 的估计对调度、路由等规划决策也有很大的影响。
视频链接:

https://www.aminer.cn/conf/kdd2020/videos/5f03f3b611dc8305622320cc

2 论文分享：Prediction and Profiling of Audience Competition for Online Television Series
分享人：祝文祥
机构：阿里巴巴-新零售技术事业群
简介: 了解热门电视剧的目标受众，对于在线视频平台管理广告销售、购买视频版权、与其他视频服务平台竞争具有重要意义。现有的研究主要集中在利用数据挖掘和机器学习技术向个人用户推荐电视剧或预测电视剧的流行程度。然而，仅仅知道电视连续剧的流行可能会限制人们回答更深入问题和开发更智能应用程序的能力。在这篇论文中，作者发展了一个数据驱动的框架来模拟和预测流行的在线电视剧的观众竞争模式。并在真实世界数据集上进行的大量实验验证了此方法与最先进的基线相比在预测现有和新电视剧的观众竞争方面的有效性。
视频链接:

https://www.aminer.cn/conf/kdd2020/videos/5f03f3b611dc830562232035

3 论文分享：Meta-learning on Heterogeneous Information Networks for Cold-start Recommendation
分享人：陆元福
机构：北京邮电大学，腾讯微信搜索应用部
简介：推荐系统已广泛应用于电子商务平台和新闻门户等各种在线服务中，以解决用户信息过载的问题。作者提出在数据和模型两个层次上解决冷启动推荐，在元学习中把学习每个用户的偏好作为一项任务，并利用异构信息网络（HIN）来扩充数据。这是首次尝试利用 HINs 上的元学习来推荐冷启动，这在数据和模型级别上都缓解了冷启动问题。
视频链接：https://www.aminer.cn/conf/kdd2020/videos/5f03f3b611dc830562232019

4 论文分享：Robust Spammer Detection by Nash Reinforcement Learning
分享人：窦英通
机构：伊利诺伊大学芝加哥分校
简介：在线评论为客户提供产品评估以做出决策。不幸的是，专业的垃圾邮件发送者可以利用虚假评论（spam）来操纵评估，他们已经通过适应部署的检测器学会了越来越阴险和强大的垃圾邮件策略。垃圾邮件的策略很难捕捉到，因为它们可能会随着时间的推移而迅速变化，不同的垃圾邮件发送者和目标产品也不同，更关键的是，在大多数情况下，它们仍然是未知的。此外，现有的检测器大多侧重于检测的准确性，这与维护产品评价的可信度的目标并不一致。为了解决这些挑战，作者设计了一个极小极大博弈，在这个博弈中，垃圾邮件发送者和垃圾邮件检测器在实际目标上相互竞争，而不是仅仅基于检测精度。博弈的纳什均衡导致稳定检测器对任何混合检测策略都不可知。
视频链接：https://www.aminer.cn/conf/kdd2020/videos/5f06ae449e795eee175e15ae

5 论文分享：ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction
分享者：郝中楷
机构：中国科学技术大学
简介：分子性质（如能量）预测是化学和生物学中的一个重要问题。遗憾的是，许多有监督学习方法都存在着标记分子在化学空间中稀缺的问题，而这类属性标记通常是通过密度泛函理论（DFT）计算得到的，计算量非常大。一个有效的解决方案是以半监督的方式合并未标记的分子。然而，学习大量分子的半监督表示具有挑战性，包括分子本质和结构的联合表征问题，表征与属性学习的冲突。在这里，作者提出了一个新的框架，结合了标记和未标记的分子，称为主动半监督图神经网络（ASGN）。
视频链接：https://www.aminer.cn/conf/kdd2020/videos/5f03f3b611dc830562231fa7

6 论文分享:Interpretable Deep Graph Generation with Node-edge Co-disentanglement
分享者：郭晓洁
机构：乔治梅森大学
简介：深层生成模型的最新进展，如变分自动编码器（VAE）[和生成对抗网络（GAN），在复杂领域（如图像数据）的生成建模方面取得了重要进步。作者提出了一种新的节点边缘解纠缠变分自动编码器（NED-VAE）模型，这是一种用于图的深度无监督生成式解纠缠学习方法，可以自动发现边缘和节点中独立的潜在因素。
视频链接:

https://www.aminer.cn/conf/kdd2020/videos/5ee3526a91e011cb3bff7211