1. A Simple Convolutional Generative Network for Next Item Recommendation

• WSDM 2019
• Xiangnan He
• session based 推薦况褪，推薦下一個物品
• 把一個session的物品看作一個二維的矩陣撕贞，用CNN建模
• 可以同時得到長期和短期的物品相關(guān)

2. Modeling Temporal Evidence from External Collections

• WSDM 2019
• 做搜索排序的
• 估計(jì)與某個事件最相關(guān)的時間
• 通過外部數(shù)據(jù)對Temporal Evidence建模，用來推斷主題的時間相關(guān)性窝剖，然后選擇the query expansion terms麻掸，再re-rank最后的排序結(jié)果

3. Recurrent Recommendation with Local Coherence

• WSDM 2019
• user-item打分預(yù)測
• 用戶和item都在隨時間變化，在短期序列里面赐纱，相鄰的user或item很可能是很相關(guān)的（這點(diǎn)跟我們ijcai2018的文章想法類似）
• 主要動機(jī)是認(rèn)為user和item都有l(wèi)ocal coherence和long-term evolution兩個性質(zhì)
• 對于local coherence脊奋，用word2vec方式預(yù)訓(xùn)練出每個item和每個user的Embedding。把序列看作一個句子的做
• 用類似word2vec的方法疙描，得到每一次rating事件的Embedding
• 然后用RNN最對user序列和item序列建模诚隙，得到最后的預(yù)測結(jié)果
• 數(shù)據(jù)集：Amazon（公開的），Goodreads（自己爬的）
• 可以解決冷啟動問題（對新new或者新item）

4. A Dual Attention Network with Semantic Embedding for Few-shot Learning

• AAAI 2019
• Few-shot Learning：meta-learning的一種起胰，用少量的數(shù)據(jù)做參考久又，幫助預(yù)測任務(wù)
• 做的圖像識別
• 同時做兩個任務(wù)：Meta Prediction和Semantic Prediction
• meta prediction：兩個Attention，一個對圖片區(qū)域做Attention效五，一個對用來參考的多個圖片表示做Attention
• semantic prediction：直接用圖片的Embedding地消，Average Pooling
• 用了3個公開數(shù)據(jù)集：MiniImageNe，Omniglot畏妖，CIFAR100

5. A Hierarchical Multi-task Approach for Learning Embeddings from Semantic Tasks

• AAAI 2019
• 分層多任務(wù)text Embedding
• 一套word Embedding用多層的BiLSTM同時做多個任務(wù)的預(yù)測脉执，模型結(jié)構(gòu)很簡單
• 多任務(wù)有Named Entity Recognition、Entity Mention Detection戒劫、Coreference Resolution半夷、Relation Extraction

6. Attention-based Multi-Context Guiding for Few-Shot Semantic Segmentation

• AAAI 2019
• 圖片分割
• 因?yàn)閹?biāo)簽的數(shù)據(jù)太少，生成數(shù)據(jù)標(biāo)簽代價大迅细，所以需要用盡可能少的數(shù)據(jù)得到答案巫橄，所以引入Few shot
• Few shot就是一條訓(xùn)數(shù)據(jù)里面有幾條帶標(biāo)簽的“樣本數(shù)據(jù)”和一個待預(yù)測的數(shù)據(jù)，通過利用樣本數(shù)據(jù)茵典，得到待預(yù)測數(shù)據(jù)的標(biāo)簽
• 對圖片的建模湘换，通過對圖片區(qū)域的Attention，具體用的 Residual Attention Module统阿，大概就是在resnet網(wǎng)絡(luò)里面得到self Attention的key枚尼，value和query
• 對樣本數(shù)據(jù)的建模，用的Conv-LSTM

7. A Deep Cascade Model for Multi-Document Reading Comprehension

• AAAI 2019
• 阿里的文章砂吞，阿里小蜜的應(yīng)用場景，人機(jī)對話的
• 多文檔閱讀理解崎溃，問答
• 兩個級別的Attention：文檔級別和句子級別
• 通過question蜻直，對每個文檔做Attention，然后對每個句子做Attention，最后提取答案
• 有離線數(shù)據(jù)測試和在線測試

8. Bias Reduction via End-to-End Shift Learning: Application to Citizen Science

• AAAI 2019
• 人們收集的數(shù)據(jù)往往帶有bias概而，就是訓(xùn)練集和測試集的分布不一致呼巷，這樣會導(dǎo)致在測試集上效果很差
• Shift Learning，主要有兩種方法：covariate shift和label shift赎瑰，本文主要討論前者
• 通過對訓(xùn)練數(shù)據(jù)加上不同的權(quán)重王悍，使得訓(xùn)練結(jié)果在測試集上表現(xiàn)好

9. BLOCK: Bilinear Superdiagonal Fusion for Visual Question Answering and Visual Relationship Detection

• AAAI 2019
• Bilinear 融合兩個向量表示，例如餐曼，压储，通過一個tensor 把A和B融合為一個長度為k的向量
• BLOCK fusion model，就是把tensor T分塊源譬，每一塊中每個元素用3個向量相乘相加得到
• 融合后的向量可以用來做多種任務(wù)

10. Context-Aware Self-Attention Networks

• AAAI 2019
• Tencent AI Lab
• 方法挺簡單集惋，但動機(jī)很強(qiáng)
• 傳統(tǒng)的self Attention，沒有考慮到context信息
• 在Attention的query和key中引入context信息踩娘，使得計(jì)算出來的Attention weight考慮到了context
• context信息可以是句子的整體表示刮刑，或者周圍的詞，等等

11. Contextualized Non-local Neural Networks for Sequence Learning

• AAAI 2019
• 一種基于Attention的graph Embedding方法做文本任務(wù)
• 本文的序列就是句子
• 把每個單詞看作node养渴，單詞之間有edge雷绢，然后動態(tài)更新node的表示和edge的權(quán)重
• 圖的更新過程類似于Attention

12. Deep Interest Evolution Network for Click-Through Rate Prediction

• AAAI 2019
• 阿里的文章，應(yīng)該是KDD18（DIN）那篇的進(jìn)一步工作
• 考慮到用戶歷史序列與當(dāng)前待預(yù)測的item的關(guān)系
• 設(shè)計(jì)了兩個層用來提取用戶興趣和考慮到用戶興趣的變化：interest extractor layer和interest evolving layer
• 在interest extractor layer中理卑，用GRU建模翘紊，然后引入了一個輔助loss，就是某時刻的h要與下一時刻的輸入相似傻工，類似于seq2seq的loss
• interest evolving layer中利用了target item做Attention霞溪，具體做法是把Attention與GRU結(jié)合起來，Attention值控制了update gate

13. Deep Short Text Classification with Knowledge Powered Attention

• AAAI 2019
• 引入了外部知識庫的短文本分類
• 短文本本身用BiLSTM和self Attention建模
• 文本表示對外部知識庫做Attention中捆，得到外部知識的表示
• 拼接文本表示和外部知識表示鸯匹，再得到預(yù)測結(jié)果

14. DeepDPM: Dynamic Population Mapping via Deep Neural Network

• AAAI 2019
• 動態(tài)高解析度的人群分布數(shù)據(jù)很有用，但是很難得到
• 本文利用低解析度的數(shù)據(jù)來生成搞解析度的數(shù)據(jù)
• 同時考慮到了空間和時間上的關(guān)系