数据挖掘的前沿论文，看我们推荐的这7篇

关注文章公众号 回复"数据挖掘"获取本主题精选论文

近年来，电商平台飞速发展，搭配问题是电商系统中的一个非常重要的任务，它涉及对商品的深入理解整合。阿里京东等公司，都设计了专门独立的搭配平台，比如时尚大脑，滴搭系统。有很高的商业价值。由SFFAI21分享嘉宾崔泽宇同学为大家精选出来有关图数据挖掘以及服装风格搭配相关论文，带你了解服装搭配领域目前的进展，图数据挖掘最前沿的工作。

SFFAI21分享嘉宾刘强同学精选四篇论文，个性化推荐技术是当今互联网应用中十分重要的一项技术，近年来基于深度学习的推荐模型的研究受到了越来越多的关注，如何在各子问题上提高推荐效果成为了一个重要的课题。

你可以仔细阅读，带着问题来现场交流哦。

1

?????

推荐理由：WWW2018最佳论文，从美感的角度考虑服装推荐的问题，把服装的属性主要划分为，美感和类别两个方面。模型简洁易懂，实验完备扎实。取得了很好的效果。

推荐理由来自：崔泽宇

2

?????

推荐理由：本文是上海交通大学张伟楠团队和华为诺亚方舟实验室合作的一篇工作，主要研究的是在线点击率预估场景中的特征交互问题，提出了Product-network In Network (PIN)模型。PIN模型是Product-based Neural Network (PNN)模型的扩展。在进行特征交互时，PIN模型不是简单的向量内积或者外积，而是用子神经网络来建模特征之间的交互关系。这种建模方式，比简单使用向量内积或者外积的PNN、DeepFM等方法具有更强的表达能力更加有效。作者在4个离线数据集上进行了测试，都取得了一定的提升。随后，作者也将PIN模型应用在华为应用市场的游戏推荐中，经过多天的观测，相比于基础模型，PIN模型将下载率提升30%以上；相比于DeepFM模型，PIN模型也有10%左右的提升。

推荐理由来自：刘强

3

?????

推荐理由：本文是阿里妈妈团队的一篇工作，是针对于商品推荐的研究。本文改进了传统的注意力模型，在计算注意力权重的时候，同时考虑历史商品和待推荐商品，更有效地建立起了历史商品和候选商品的关联。同时，作者还改进了正则化的计算，对于不同出现频率的商品特征向量有着不同大小的正则化损失。作者在2个离线数据集上进行了测试，都取得了一定的提升。随后，作者也将该模型应用在淘宝的推荐系统中，经过多天的观测，相比于基础模型，点击率提升了10%，收益提升了3.8%。

推荐理由来自：刘强

4

????

推荐理由：2018年斯坦福的jure团队在graph上的一个工作发表在NeurIPS，该工作通过层次化的建模，在做图表达的同时，进行层次化的graph pooling工作，思想很值得借鉴，不论是写作上还是工作内容都是一篇精致的工作。

推荐理由来自：崔泽宇

5

????

推荐理由：同样是发表在NeurIPS2018的工作，该工作着重于如何将GNNs运用在大规模数据上，进行图数据挖掘领域基础应用link prediction的任务，有较大的指导意义。

推荐理由来自：崔泽宇

6

????

推荐理由：本文是腾讯广告团队的一篇工作，是针对在线点击率预估场景中的CNN模型的改进工作。由于CTR预估场景中的特征排布本身不具有顺序，因此基于CNN的预估模型性能往往不稳定，最优的排布方式往往不固定。因此，本文作者提出了用多个学习模块来学习不相同的特征序列，保证了模型性能的稳定性，提升了模型表现。作者在2个离线数据集上进行了测试，都取得了一定的提升。随后，作者也将该模型应用在腾讯的社交广告系统中，经过多天的观测，相比于基础模型，在线点击率有显著提升。

推荐理由来自：刘强

7

????

推荐理由：本文是中科院自动化所吴书老师团队的一篇工作，主要研究基于图神经网络进行服装搭配的学习。本文提出将一套服装表示为一个图，在这个图中，每个点代表一个服装的种类，而两个点之间的边代表这个种类的衣服可以搭配。因此每套服装可以表示为一个图。为了从图中学习到搭配度，作者使用了基于图神经网络提出的点图神经网络来学习每个点的表示，并用一个注意力机制为一个图打分，即这套服装的搭配度。作者在polyvore和amazon数据集上进行了实验，本文的方法都展现出了最好的结果。

推荐理由来自：刘强