最新！人工智能顶会WSDM2020最佳论文出炉！UCSC斩获-主轴的幂用于精确团计数

【导读】WSDM 2020全称为第13届国际互联网搜索与数据挖掘会议（The 13thInternational Conference on Web Search and Data Mining, WSDM 2020），将于2020年2月3日-2月7日在美国休斯敦召开。WSDM是CCF推荐的B类国际学术会议，由SIGIR、SIGKDD、SIGMOD和SIGWEB四个专委会协调筹办，在互联网搜索、数据挖掘领域享有较高学术声誉。这次会议共收到来自615篇长文投稿，仅有91篇长文被录用，录用率约15%。大会公布了最佳论文系列奖项，最佳论文由加利福尼亚大学圣克鲁兹分校（University of California, Santa Cruz，简称UCSC）获得-主轴的幂用于精确团计数，最佳论文亚军(Runner Up)论文由双曲度量学习由新加坡南洋理工获得-双曲度量学习。

最佳论文

主轴的幂用于精确团计数 原文标题：The Power of Pivoting for Exact Clique Counting

地址：http://arxiv.org/abs/2001.06784

作者：Shweta Jain, C. Seshadhri，University of California, Santa Cruz

摘要：集团计数是网络分析的基本任务，甚至 3个 -cliques（三角形）最简单的设置是最近许多研究的中心。获得ķ -cliques的数量较大ķ算法是具有挑战性的，由于大派系的搜索空间的指数爆破。但最近的一些应用程序（特别是对社区检测或群集）的使用更大的集团计数。此外，一个经常希望 textit 本地计数的k个 -cliques每顶点/边的数量。我们的主要结果是Pivoter，算法恰好计数的ķ -cliques数 textit对中的k 的所有值。这是在实践中出人意料地有效，并且能够得到的是超出以前的工作的覆盖面图的集团计数。例如，Pivoter获取社会网络的所有集团计数与商品机器的两个小时内一个100M的边。上一页并行算法不终止日。Pivoter也能切实得到当地每顶点和每边ķ -clique计数（所有ķ）的许多公共数据集的数以千万计的边。据我们所知，这是第一个算法，实现了这样的结果。主要见解是一个简洁的派树（SCT），其存储在输入图中的所有派系压缩唯一表示的结构。它使用一种被称为 textit 转动，由勒布朗 - Kerbosch经典的方法，以减少回溯算法的最大派系的递归树建。值得注意的是，SCT可在不实际枚举所有派系来构建，并提供从它的确切集团统计（ķ -clique计数，计数地方），可以有效地读出一个简洁的数据结构。

最佳论文亚军(Runner Up)论文

HyperML: A Boosting Metric Learning Approach in Hyperbolic Space for Recommender Systems Lucas Vinh Tran, Yi Tay (Nanyang Technological University, Singapore); Shuai Zhang (The University of New South Wales, Australia); Gao Cong (Nanyang Technological University, Singapore); Xiaoli Li (Institute for Infocomm Research, Singapore).

研究了非欧氏空间中学习用户和项目表示的概念。具体来说，我们通过探索Mobius回转向量空间来研究双曲空间中的度量学习与协作滤波之间的关系，该空间的形式可以用来推广最常见的欧氏向量运算。总的来说，这项工作旨在通过度量学习的方法来弥补推荐系统中欧几里德几何和双曲几何之间的差距。我们提出了HyperML（双曲度量学习），这是一个概念简单但效率很高的模型，可以提高性能。通过一系列广泛的实验，我们证明了我们提出的HyperML不仅优于欧几里德模型，而且在多个基准数据集上达到了最新的性能，证明了个性化推荐在双曲几何中的有效性。

https://dl.acm.org/doi/abs/10.1145/3336191.3371850

「经典论文奖」(Test of Time Award)

1. Nick Craswell, Onno Zoeter, Michael J. Taylor, Bill Ramsey:

An experimental comparison of click position-bias models. WSDM 2008: 87-94

2. Xiaowen Ding, Bing Liu, Philip S. Yu: A holistic lexicon-based approach to opinion mining. WSDM 2008: 231-240

3. Jianshu Weng, Ee-Peng Lim, Jing Jiang, Qi He: TwitterRank: finding topic-sensitive influential twitterers. WSDM 2010: 261-270