最新！WSDM2023最佳论文出炉！牛津Meta等机构学者斩获

在第 16届 ACM 国际互联网搜索与数据挖掘大会（WSDM 2023）上，来自牛津Meta的研究者获得了最佳论文奖，时间检验奖给予斯坦福Jure Leskovec社交网络链接预测。

2 月 27 日至 3月3 日，第 16 届 ACM 国际互联网搜索与数据挖掘大会（The 15th International Conference on Web Search and Data Mining,WSDM 2022）在新加坡召开。

作为数据库 / 数据挖掘类的主要会议之一，WSDM 是由 ACM 所属的信息检索（SIGIR）、数据挖掘（SIGKDD）、数据库（SIGMOD）和网络信息处理（SIGWEB）四个专委会协调筹办。该会议主要发表与网络或社交网络搜索和数据挖掘相关的高质量原创论文，重点关注实用的搜索和数据挖掘新模型、算法设计和分析、经济影响以及对准确率和性能的深入实验分析。

最佳论文奖

WSDM 2023 的最佳论文奖授予了牛津大学、Meta等科研机构研究者合作完成的论文《Learning Stance Embeddings from Signed Social Graphs》。

论文地址：https://www.zhuanzhi.ai/paper/a7780624b7fd11fc766521ce4c7c8149

社交网络分析的一个挑战是理解人们在大量话题上的立场。虽然过去的工作使用符号图对社交网络中的(dis)一致性进行了建模，但这些方法没有对一系列相关主题的一致性模式进行建模。例如，在一个主题上的分歧可能会使相关主题更有可能出现分歧(或一致)。通过识别话题对同意和不同意的影响，提出了立场嵌入模型(SEM)，联合学习符号社交图中每个用户和每个主题的嵌入，每个主题具有不同的边类型。通过联合学习用户和主题嵌入，SEM可以进行冷启动主题立场检测，预测用户对未观察到的主题的立场。用开源的两个大规模Twitter签名图数据集证明了SEM1的有效性。一个数据集TwitterSG, labels (dis)协议使用用户通过推文之间的互动来派生主题知情的签名边。另一个是BirdwatchSG，它利用社区对错误信息和误导性内容的报告。在TwitterSG和BirdwatchSG上，SEM显示与主题无关的基线相比，错误分别减少了39%和26%。

最佳论文奖亚军

WSDM 2023 共有 3 篇论文获得最佳论文奖亚军，分别如下 论文 1：Efficiently Leveraging Multi-level User Intent for Session-based Recommendation via Atten-Mixer Network

论文地址：https://www.zhuanzhi.ai/paper/fecae75d2ca14dbe8abaed5d047ffb2e

基于会话的推荐(Session-based recommendation, SBR)旨在根据短而动态的会话预测用户的下一个行为。最近，人们对利用各种精心设计的图神经网络(gnn)来捕获项目之间的成对关系的兴趣越来越大，似乎表明设计更复杂的模型是提高经验性能的灵丹妙药。然而，这些模型实现了相对微小的改进，模型复杂度呈指数级增长。本文剖析了经典的基于GNN的SBR模型，并根据经验发现，一些复杂的GNN传播是冗余的，因为读出模块在基于GNN的模型中发挥了重要作用。基于这一观察，我们直观地建议去掉GNN传播部分，而读出模块将在模型推理过程中承担更多的责任。本文提出多层次注意力混合网络(Atten-Mixer)，利用概念-视图和实例-视图读数来实现对项目转换的多层次推理。由于简单地列举所有可能的高级概念对于大型现实世界的推荐系统是不可行，进一步纳入了与SBR相关的归纳偏差，即局部不变性和固有优先级，以修剪搜索空间。在三个基准上的实验验证了所提方法的有效性和高效性。自2021年4月以来，我们还已将所提出的技术推出到大规模电子商务在线服务中，在实时流量的在线实验中显示，顶级业务指标有了显着改进。

**论文 2：**Marketing Budget Allocation with Offline Constrained Deep Reinforcement Learning

论文地址：https://dl.acm.org/doi/pdf/10.1145/3539597.3570486

本文研究了利用先前收集的离线数据的在线营销活动中的预算分配问题。我们首先讨论了在线下环境下优化营销预算分配决策的长期影响。为克服这一挑战，本文提出一种新的基于混合策略的博弈论离线价值强化学习方法。该方法将以往方法中无限多策略的存储需求减少为恒定多策略的存储需求，达到了接近最优的策略效率，具有实用性，利于工业应用。进一步表明，该方法保证收敛到最优策略，这是之前基于价值的营销预算分配强化学习方法无法实现的。在一个拥有数千万用户、超过10亿预算的大规模营销活动上的实验验证了理论结果，表明所提方法优于各种基线方法。所提出的方法已成功部署到服务于本次营销活动的所有流量。

论文 3：Knowledge Enhancement for Contrastive Multi-Behavior Recommendation

论文地址：https://www.zhuanzhi.ai/paper/1e2e7666e150fcfcd1416469bb517051

一个设计良好的推荐系统能够准确捕捉用户和项目的属性，体现个体的独特偏好。传统的推荐技术通常侧重于对用户和物品之间单一类型的行为进行建模。然而，在许多实际的推荐场景中(如社交媒体、电商等)，网购平台中的用户-物品关系存在多种类型的交互行为，如点击、标签收藏、购买等。因此，如何充分利用多行为信息进行推荐对现有的系统具有重要意义，目前存在两个方面的挑战需要探索:(1)利用用户个性化偏好捕获多行为依赖;(2)处理监督信号稀疏导致的目标行为推荐不足问题。文中提出了一种知识增强的多行为对比学习推荐(Knowledge Enhancement Multi-Behavior contrast Learning Recommendation, KMCLR)框架，包括两个对比学习任务和三个功能模块，分别应对上述挑战。特别地，我们设计了多行为学习模块来提取用户的个性化行为信息以进行用户嵌入增强，并在知识增强模块中利用知识图谱来获得更鲁棒的知识感知项目表示。此外，在优化阶段，对用户多行为之间的粗粒度共性和细粒度差异进行建模，进一步提升推荐效果。在3个真实数据集上的大量实验和消融测试表明，KMCLR优于各种最新的推荐方法，验证了所提方法的有效性。

时间检验奖

本届会议的时间检验奖（Test of Time Award）授予了在 WSDM 2011 上发表的论文《Supervised random walks: predicting and recommending links in social networks (WSDM2011)》。