WWW (这两年改名叫TheWebConf了) 会议是由图灵奖得主Tim创办的学术会议，内容涵盖互联网相关的一切主题。中国计算机协会将其认证为CCF-A类顶级会议，难度极大。中一篇吹一年。

本文梳理WWW 2021有关图机器学习领域的最新研究成果，供大家参考。

• 图表示学习

• 推荐系统

• 知识图谱

• 冷启动问题

• 生成对抗网络

• 对话AI

• 医疗

WWW2021的论文可于官网上查看，官网上根据主题将不同的论文映射到向量空间中，这样可以看到不同论文之间的相似度，而且还能根据标签、标题来搜索想看的论文哦~

地址：

https://www2021.thewebconf.org/program/papers-program/

图表示学习

图，如社交网络、单词共存网络和通信网络，广泛地存在于各种现实应用中。通过对它们的分析，我们可以深入了解社会结构、语言和不同的交流模式，因此图一直是学界研究的热点。真实的图（网络）往往是高维、难以处理的，20世纪初，研究人员发明了图嵌入算法，对真实的图进行降维处理。他们首先根据实际问题构造一个D维空间中的图，然后将图的节点嵌入到d（d<<D）维向量空间中。嵌入的思想是在向量空间中保持连接的节点彼此靠近。

本次WWW带来了6篇有关图表示学习的论文，内容涉及异质图上节点表示的优化、基于子图层次选择和嵌入的图神经网络、解耦GCN的理论分析等，如下所示：

1. Self-Supervised Learning of Contextual Embeddings for Link Prediction in Heterogeneous Networks

2. SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism

3. On the Equivalence of Decoupled Graph Convolution Network and Label Propagation

4. Knowledge Embedding Based Graph Convolutional Network

5. Rumor Detection with Field of Linear and Non-Linear Propagation

6. Multi-level Connection Enhanced Representation Learning for Script Event Prediction

推荐系统

推荐系统是一种信息过滤系统，用于预测用户对物品的“评分”或“偏好”。

推荐系统近年来非常流行，应用于各行各业。推荐的对象包括：电影、音乐、新闻、书籍、学术论文、搜索查询、分众分类、以及其他产品。也有一些推荐系统专门为寻找专家、合作者、笑话、餐厅、美食、金融服务、生命保险、网络交友，以及Twitter页面设计等。

本次WWW论文中，涉及到推荐系统的论文多达23篇，由此可见推荐系统的火爆程度。论文内容涉及到面向未来的推荐系统框架、提高推荐系统的多样性、对复杂的高阶关系进行建模、用户对商品类别的偏好的动态模型等研究方向，论文列表如下：

1. Large-scale Comb-K Recommendation

2. A Recommender System for Crowdsourcing Food Rescue Platforms

3. Future-Aware Diverse Trends Framework for Recommendation

4. Graph Embedding for Recommendation against Attribute Inference Attacks

5. Diversified Recommendation Through Similarity-Guided Graph Neural Networks

6. Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation

7. Reinforcement Recommendation with User \Multi-aspect Preference

8. User-oriented Group Fairness In Recommender Systems

9. Bidirectional Distillation for Top-K Recommender System

10. Towards Content Provider Aware Recommender Systems: A Simulation Study on the Interplay between User and Provider Utilities

11. Debiasing Career Recommendations with Neural Fair Collaborative Filtering

12. Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation

13. Cost-Effective and Interpretable Job Skill Recommendation with Deep Reinforcement Learning

14. Learning Fair Representations for Recommendation: A Graph-based Perspective

15. Where Next? A Dynamic Model of User Preferences

16. Leveraging Review Properties for Effective Recommendation

17. High-dimensional Sparse Embeddings for Collaborative Filtering

18. DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems

19. A Model of Two Tales: Dual Transfer Learning Framework for Improved Long-tail Item Recommendation

20. Rabbit Holes and Taste Distortion: Distribution-Aware Recommendation with Evolving Interests

21. FINN: Feedback Interactive Neural Network for Intent Recommendation

22. Field-aware Embedding Space Searching in Recommender Systems

23. Learning Intents behind Interactions with Knowledge Graph for Recommendation

知识图谱

知识图谱是由Google公司在2012年提出来的一个新的概念。从学术的角度，我们可以对知识图谱给一个这样的定义：“知识图谱本质上是语义网络（Semantic Network）的知识库”。知识图谱本质上就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。

本次WWW带来了9篇论文，内容涉及到KG上的链路预测、效率提升、KG嵌入双曲空间、KG上的查询等方面的研究，论文如下：

1. Inductive Entity Representations from Text via Link Prediction

2. Boosting the Speed of Entity Alignment 10×: Dual Attention Matching Network with Normalized Hard Sample Mining

3. Mixed-Curvature Multi-relational Graph Neural Network for Knowledge Graph Completion

4. Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion

5. Self-Supervised Hyperboloid Representations from Logical Queries over Knowledge Graphs

6. Few-Shot Knowledge Validation using Rules

7. Learning Intents behind Interactions with Knowledge Graph for Recommendation

8. MedPath: Augmenting Health Risk Prediction via Medical Knowledge Paths

9. RETA: A Schema-Aware, End-to-End Solution for Instance Completion in Knowledge Graphs

冷启动问题

推荐系统需要根据用户的历史行为和兴趣预测用户未来的行为和兴趣，因此大量的用户行为数据就成为推荐系统的重要组成部分和先决条件。

在开始阶段就希望有个性化推荐应用的网站来说，如何在没有大量用户数据的情况下设计个性化推荐系统并且让用户对推荐结果满意从而愿意使用推荐系统，就是冷启动的问题。

本次WWW带来2篇有关冷启动的论文，内容包括对抗项目推广、全局知识解码器等，论文如下：

1. Adversarial Item Promotion: Vulnerabilities at the Core of Top-N Recommenders that Use Images to Address Cold Start

2. Task-adaptive Neural Process for User Cold-Start Recommendation

生成对抗图

生成对抗网络（Generative Adversarial Network，简称GAN）是非监督式学习的一种方法，通过让两个神经网络相互博弈的方式进行学习。

本次WWW带来的论文包括推荐系统中模拟真实用户行为、时间图生成对抗网络、解决可见类和不可见类之间的数据不平衡问题、在文本情感分类中提取与情感相关的区别性特征等，论文如下：

1. User Simulation via Supervised Generative Adversarial Network

2. TG-GAN: Continuous-time Temporal Graph Deep Generative Models with Time-Validity Constraints

3. OntoZSL: Ontology-enhanced Zero-shot Learning

4. Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources

5. Completing Missing Prevalence Rates for Multiple Chronic Diseases by Jointly Leveraging Both Intra- and Inter-Disease Population Health Data Correlations

对话AI

对话式 AI 就是人与机器之间的交互。它识别语音和文本、意图以及各种语言，以模仿自然语言，或人类对话。对话式 AI 解决方案可以完成人类经常做的重复性任务，从而节省金钱和时间，并使人类腾出时间从事更高层次的战略性工作。

本次WWW为我们带来的论文内容有关使用Wikipedia页面嵌入来预测应将哪些属性附加到给定实体、研究如何产生构想答案、增加知识图的覆盖范围等，有如下3篇：

1. Wiki2Prop: A Multi-Modal Approach for Predicting Wikidata Properties from Wikipedia

2. Compositional Question Answering via Hierarchical Graph Neural Networks

3. Information Extraction From Co-Occurring Similar Entities

医疗

人工智能（AI）正在经历爆炸式增长，影响着许多行业，也正为医疗健康行业带来一场全新革命。

生物信息领域产生分子层面的基因突变、基因表达等数据；制药企业在药物研发过程中产生的临床试验数据；疾病患者或药物使用者在社交媒体发布的患病及用药感受；医疗移动设备收集的用户日常健康数据等。这些是医药大数据的主要构成部分，其对于医院的疾病辅助诊断和治疗方案确定、制药行业的研发及营销效率、监管部门对于流行病的预测和对药物不良反应的监测、患者的个性化治疗和个人健康管理等都具有重要意义。

本次WWW带来的有关医疗的论文涉及到DDI预测、新的推荐药物包装范例、解决冷启动和临床描述稀缺的问题、分子特性的预测等，如下所示：

1. Multi-view Graph Contrastive Representation Learning for Drug-Drug Interaction Prediction

2. Drug Package Recommendation via Interaction-aware Graph Induction

3. Online Disease Self-diagnosis with Inductive Heterogeneous Graph Convolutional Networks

4. Few-Shot Molecular Property Prediction

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。