过去五年KDD高产学者与高引论文TOP10榜单
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">做为</span>世界数据挖掘<span style="color: black;">行业</span>最高级别国际会议,原定于 8 月 23 日~27 日在美国圣地亚哥举行的第 26 届 ACM SIGKDD,<span style="color: black;">因为</span>因疫情影响,将以线上形式举行。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">始终</span><span style="color: black;">败兴</span>,KDD 为来自学术界、企业界的<span style="color: black;">科研</span>人员和数据挖掘从业者<span style="color: black;">供给</span>了学术交流和展示<span style="color: black;">科研</span>成果的理想场所。而因其严苛的审稿与接收率,KDD <span style="color: black;">始终</span>保持着它在数据挖掘<span style="color: black;">行业</span>的权威性和知名度。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">KDD 2020 官方<span style="color: black;">已然</span><span style="color: black;">颁布</span>了本年度的论文录取<span style="color: black;">状况</span>,其中 Research Track 共收到 1279 篇论文,共有 216 篇接收,接收率为 16.8%;Applied Data Science Track共收到 756 篇论文,共有 121 篇被录用,接收率为 16%。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">按照</span> KDD 近五年来的论文录用<span style="color: black;">状况</span>来看,KDD 的投稿数量呈逐年<span style="color: black;">提升</span>趋势,数据挖掘正受到越来越多学者的关注。其中,今年 Research Track 的接收率相较于去年有所<span style="color: black;">提高</span>,但仍然<span style="color: black;">小于</span>过去几年的接收率;而 Applied Data Science Track,近两年的接收率呈下降趋势。想要高中 KDD,可谓是难度是直线<span style="color: black;">提升</span>。</p>
<div style="color: black; text-align: left; margin-bottom: 10px;"><img src="https://p3-sign.toutiaoimg.com/pgc-image/21adfb82edc04099a398cccce8981015~noop.image?_iz=58558&from=article.pc_detail&lk3s=953192f4&x-expires=1728529845&x-signature=zfKoMJEe%2FAUK7Nzlm%2B69oVSVvlI%3D" style="width: 50%; margin-bottom: 20px;"></div>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">下面<span style="color: black;">咱们</span>就来<span style="color: black;">瞧瞧</span>,<span style="color: black;">按照</span> AMiner 平台对 KDD(2016-2019)过去五年来接收论文与学者数据的统计分析,KDD 收录论文的关键词、高产作者、高被引作者以及高被引用论文的<span style="color: black;">详细</span><span style="color: black;">状况</span>。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">论文关键词:</strong></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">KDD 大会<span style="color: black;">触及</span>的议题大多跨学科且应用广泛。过去五年,KDD 接收论文的关键词<span style="color: black;">重点</span>集中在<span style="color: black;">设备</span>学习、深度学习、社交网络、<span style="color: black;">反常</span>检测、多任务学习、数据科学等<span style="color: black;">行业</span>。关键词云图如下图所示。</p>
<div style="color: black; text-align: left; margin-bottom: 10px;"><img src="https://p3-sign.toutiaoimg.com/pgc-image/ea46d86078c74de183849eaa26f4dc45~noop.image?_iz=58558&from=article.pc_detail&lk3s=953192f4&x-expires=1728529845&x-signature=VmpO0pp56iuzqkC7J7MY0FUIZxw%3D" style="width: 50%; margin-bottom: 20px;"></div>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">收录学者特征:</strong></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">按照</span> AMiner 对过去五来年 KDD 接收论文作者数据的分析,<span style="color: black;">能够</span>看出,男性作者占比达 84.53% ,女性作者仅占 15.47%。从学者分布<span style="color: black;">状况</span>来看,来自美国和中国的投稿学者远超过其他国家,分别占比 44.46%、26.78%,日本、印度、新加坡等国家分列第三至第五位。</p>
<div style="color: black; text-align: left; margin-bottom: 10px;"><img src="https://p3-sign.toutiaoimg.com/pgc-image/02842cd8dec94b2488f33e5c59fda21a~noop.image?_iz=58558&from=article.pc_detail&lk3s=953192f4&x-expires=1728529845&x-signature=HVa%2BZYglLeI4mbq8Vgj8Z%2BozXao%3D" style="width: 50%; margin-bottom: 20px;"></div>
<div style="color: black; text-align: left; margin-bottom: 10px;"><img src="https://p26-sign.toutiaoimg.com/pgc-image/d0b0dbf8773b4bbebb96f88de71d3de2~noop.image?_iz=58558&from=article.pc_detail&lk3s=953192f4&x-expires=1728529845&x-signature=yMsaNSA%2FP%2BEUUd4DYP6IsKbU3wg%3D" style="width: 50%; margin-bottom: 20px;"></div>
<h1 style="color: black; text-align: left; margin-bottom: 10px;">高产作者与高引学者TOP10 </h1>
<div style="color: black; text-align: left; margin-bottom: 10px;"><img src="https://p3-sign.toutiaoimg.com/pgc-image/26cd770228d84276898e2032ba7681f0~noop.image?_iz=58558&from=article.pc_detail&lk3s=953192f4&x-expires=1728529845&x-signature=Xw9KpJhR6tTPITWaSmVqv0xwnq4%3D" style="width: 50%; margin-bottom: 20px;"></div>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">高产作者TOP10</strong></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">从这份榜单<span style="color: black;">能够</span>看出,排在前 10 的作者中华人学者就占据了 9 位,遥遥领先于其他国家。这些作者近五年来在 KDD 大多<span style="color: black;">发布</span>了 14 篇以上论文。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP1</strong>熊辉,现任百度<span style="color: black;">科研</span>院副院长、百度<span style="color: black;">商场</span>智能实验室<span style="color: black;">专家</span>、百度<span style="color: black;">设备</span>人与自动驾驶实验室<span style="color: black;">专家</span>等,美国罗格斯-新泽西州立大学罗格斯商学院管理科学与信息系统系正教授 (终身教授)、院长讲席教授,并担任中国科学技术大学大师讲席教授(客座),IEEE Fellow。熊辉教授<span style="color: black;">始终</span>致力于数据挖掘、大数据分析、商务智能、互联网证券和信息安全等<span style="color: black;">行业</span>的科学<span style="color: black;">科研</span>,近年来共<span style="color: black;">发布</span>高水平学术论文180余篇。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP1(并列)</strong>叶杰平,滴滴人工智能实验室负责人,滴滴出行副总裁,美国密歇根大学教授,IEEE Fellow。美国明尼苏达大学博士毕业,<span style="color: black;">重点</span>从事<span style="color: black;">设备</span>学习、数据挖掘和大数据分析<span style="color: black;">行业</span>的<span style="color: black;">科研</span>。他在国际顶级期刊和会议<span style="color: black;">发布</span>高水平论文 200 余篇,引用次数超过 8000 次,担任<span style="color: black;">包含</span> IEEETPAMI、DMKD、IEEETKDE、NIPS、ICML、KDD 等多个国际顶级期刊编委及国际顶级会议程序委员会主席和<span style="color: black;">行业</span>主席。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP2</strong>崔鹏,清华大学计算机系长聘副教授,博士生导师。<span style="color: black;">科研</span><span style="color: black;">行业</span><span style="color: black;">包含</span>大数据环境下的因果推理与稳定预测、网络表征学习、社会动力学建模,及其在金融科技、智慧医疗及社交网络等场景中的应用。他已在数据挖掘及多<span style="color: black;">媒介</span><span style="color: black;">行业</span>顶级国际期刊和会议上<span style="color: black;">发布</span>论文百余篇,并先后<span style="color: black;">得到</span>7项国际会议及期刊最佳论文奖,<span style="color: black;">包含</span>中国入选数据挖掘<span style="color: black;">行业</span>顶级国际会议 KDD 最佳论文专刊的首篇论文。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">美国伊利诺伊大学香槟分校(UIUC)计算机系教授韩家炜,清华大学计算机系教授朱文武,清华大学计算机系教授唐杰,布法罗大学计算机科学与工程系副教授高静,伊利诺伊大学厄本那-香槟分校计算机科学系的副教授 Hanghang Tong,卡内基梅隆大学计算机科学系教授 Christos Faloutsos,京东集团副总裁、京东数字科技首席数据科学家郑宇<span style="color: black;">亦</span>相继位列高产作者 TOP 榜单。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">高引学者TOP10</strong></p>
<div style="color: black; text-align: left; margin-bottom: 10px;"><img src="https://p3-sign.toutiaoimg.com/pgc-image/6037eb0d120d44b48ac8ba97c92245fe~noop.image?_iz=58558&from=article.pc_detail&lk3s=953192f4&x-expires=1728529845&x-signature=nRQnl46NGlcznemousnDpr2fgS4%3D" style="width: 50%; margin-bottom: 20px;"></div>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">这份高引学者榜单与高产作者有<span style="color: black;">很强</span><span style="color: black;">区别</span>,不少国外学者上榜,其中高产作者中的崔鹏副教授与朱文武教授<span style="color: black;">一样</span>榜上有名。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP1</strong>
</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">Carlos Guestrin 是华盛顿大学 Paul G. Allen 计算机科学与工程学院的亚马逊<span style="color: black;">设备</span>学习教授。他是 Turi(最初是 GraphLab Inc.)的联合创始人兼首席执行官,专注于大规模<span style="color: black;">设备</span>学习和图形分析的<span style="color: black;">科研</span>。他曾在 KDD、IPSN、VLDB、NIPS、、ICML 等多个顶级学术会议及期刊<span style="color: black;">发布</span><span style="color: black;">太多</span>篇论文,曾荣获 IJCAI 计算机与思想奖和总统<span style="color: black;">专家</span>与工程师<span style="color: black;">初期</span>职业奖(PECASE)。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP2</strong>
</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">陈天奇是<span style="color: black;">设备</span>学习<span style="color: black;">行业</span>著名的青年华人学者之一,本科毕业于上海交通大学 ACM 班,硕士<span style="color: black;">周期</span><span style="color: black;">亦</span>就读于上海交通大学,博士毕业于华盛顿大学计算机系,<span style="color: black;">科研</span>方向为大规模<span style="color: black;">设备</span>学习。他曾参与<span style="color: black;">研发</span>了 XGBoost、Apache MxNet、Apache TVM ( https://tvm.ai/ )等著名<span style="color: black;">设备</span>学习工具,是最大开源分布式<span style="color: black;">设备</span>学习项目 DMLC 的发起人之一。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP3</strong>
</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">Jure Leskovec,斯坦福大学计算机科学系的副教授,<span style="color: black;">亦</span>是图网络<span style="color: black;">行业</span>的专家,图<span style="color: black;">暗示</span>学习<span style="color: black;">办法</span> node2vec 和 GraphSAGE 作者之一。他还是 Pinterest 的首席<span style="color: black;">专家</span>,以及 Chan Zuckerberg Initiative 慈善基金会的首席调查员。他的<span style="color: black;">科研</span><span style="color: black;">行业</span><span style="color: black;">包含</span>网络结构的统计建模、网络演化、以及信息、病毒等在网络上的传播,<span style="color: black;">同期</span>他还致力于文本挖掘和<span style="color: black;">设备</span>学习的应用等。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">斯坦福大学计算机科学专业博士生 Aditya Grover,加利福尼亚大学欧文分校的计算机科学助理教授 Sameer Singh,微软<span style="color: black;">科研</span>院的研究员 Marco Túlio Ribeiro,清华大学副教授崔鹏,清华大学计算机系教授朱文武,比萨大学教授 Dino Pedreschi,比萨 ISTI-CNR 的<span style="color: black;">科研</span>员 Mirco Nanni 位列 TOP10。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">高引论文TOP10榜单</strong></p>
<div style="color: black; text-align: left; margin-bottom: 10px;"><img src="https://p3-sign.toutiaoimg.com/pgc-image/793aa3512e1241258020850038a8f5f5~noop.image?_iz=58558&from=article.pc_detail&lk3s=953192f4&x-expires=1728529845&x-signature=tI2dCc4UhQgnWfqyTjfGyBz1SjM%3D" style="width: 50%; margin-bottom: 20px;"></div>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP1:</strong><strong style="color: blue;">XGBoost: A Scalable Tree Boosting System</strong></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">作者:Tianqi Chen,Carlos Guestrin</p><span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">论文<span style="color: black;">位置</span>:</p>https://aminer.cn/pub/573696046e3b12023e517cb1
</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">被引用量:6033</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">这是陈天奇<span style="color: black;">发布</span>于 2016 年的<span style="color: black;">文案</span>,<span style="color: black;">重点</span>是大名鼎鼎的 XGBOOST 算法的介绍。XGBOOS T广泛用于<span style="color: black;">各样</span>比赛和<span style="color: black;">实质</span>应用中,是非常实用的算法。<span style="color: black;">提高</span>树是非常有效且广泛应用于<span style="color: black;">设备</span>学习的<span style="color: black;">办法</span>。在这篇论文中,作者描述了可扩展的、端到端的<span style="color: black;">提高</span>树系统,叫做 XGBoost。在<span style="color: black;">非常多</span><span style="color: black;">设备</span>学习的挑战中,数据<span style="color: black;">专家</span>经常<span style="color: black;">运用</span>该系统实现卓越的效果。作者提出了一个针对稀疏数据的新颖<span style="color: black;">办法</span>----稀疏感知和加权的分位近似树。更重要的,<span style="color: black;">她们</span>提出了<span style="color: black;">有些</span>有效的<span style="color: black;">办法</span>来实现缓存,数据压缩,分片构建<span style="color: black;">提高</span>树系统。综合这些有效的特点,在数据规模超过 10 亿的<span style="color: black;">状况</span>下,XGBoost 要比当前的其它系统<span style="color: black;">运用</span>较少的资源。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP2:</strong><strong style="color: blue;">node2vec: Scalable Feature Learning for Networks</strong>
</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">作者:Aditya Grover,Jure Leskovec</p><span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">论文<span style="color: black;">位置</span>:</p>https://aminer.cn/pub/57aa28de0a3ac518da9896d5
</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">被引用量:3274</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">该文是斯坦福大学的 Aditya Grover、Jure Leskovec <span style="color: black;">发布</span>于 2016 年的一篇<span style="color: black;">文案</span>。在论文中作者提出,基于网络中节点和边的预测任务中的特征工程总是很<span style="color: black;">繁杂</span>,虽然<span style="color: black;">暗示</span>学习的自动学习特征<span style="color: black;">已然</span>有很大的<span style="color: black;">帮忙</span>,但现有的特征学习方式<span style="color: black;">没法</span>对网络中连接模式的多样性进行足够的<span style="color: black;">捉捕</span>。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">本论文提出了一种对网络中的节点学习连续特征表达的框架——node2vec。在这个算法中,学习了一种结点映射到低维特征空间,<span style="color: black;">同期</span>最大限度的保留网络里结点的邻域(neighborhoods)。定义网络的结点邻域并<span style="color: black;">触及</span>了一种(biased)偏置的随机游走过程,将这些随机游走转化为计算嵌入的<span style="color: black;">办法</span>是一种智能的优化方式。<span style="color: black;">首要</span>为<span style="color: black;">每一个</span>节点分配一个随机层,(例如长度为N的高斯向量),<span style="color: black;">而后</span><span style="color: black;">针对</span>每对源相邻节点,作者<span style="color: black;">期盼</span><span style="color: black;">经过</span><span style="color: black;">调节</span>这些层来最大化它们的点积。<span style="color: black;">同期</span>最后,最小化随机节点对的点积,<span style="color: black;">这般</span>做的效果是学习了一组嵌入,这些嵌入倾向于在相同的遍历过程中高点积的节点。该文展示了 node2vec 相<span style="color: black;">针对</span>现有的最新技术在多标签<span style="color: black;">归类</span>和链接预测中,在几个来自<span style="color: black;">区别</span><span style="color: black;">行业</span>的<span style="color: black;">实质</span>网络中的功效,<span style="color: black;">表率</span>了一种有效学习<span style="color: black;">繁杂</span>网络中与任务无关的最新<span style="color: black;">暗示</span>的新<span style="color: black;">办法</span>。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP3:</strong><strong style="color: blue;">"Why Should I Trust You?": Explaining the Predictions of Any Classifier</strong>
</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">作者:Marco Túlio Ribeiro,Sameer Singh,Carlos Guestrin</p><span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">论文<span style="color: black;">位置</span>:</p>https://aminer.cn/pub/573695fd6e3b12023e51117d
</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">被引用量:3063</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><span style="color: black;">设备</span>学习模型尽管<span style="color: black;">已然</span>得到了广泛采用,但大部分仍旧是黑箱。然而,理解预测<span style="color: black;">背面</span>的<span style="color: black;">原由</span>在<span style="color: black;">评定</span>该预测<span style="color: black;">是不是</span>可信上是相当重要的,这是人们计划基于预测采取行动或<span style="color: black;">选取</span><span style="color: black;">是不是</span>需要<span style="color: black;">安排</span>一个新模型时的<span style="color: black;">基本</span>。<span style="color: black;">这般</span>的理解<span style="color: black;">亦</span>能<span style="color: black;">供给</span>对模型的见解(insight),其可被用于将不值得信任的模型或预测转化得可信任。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">在本论文中,作者提出了 LIME——一种可<span style="color: black;">经过</span>围绕预测局部地学习一个可<span style="color: black;">诠释</span>的模型,从而以一种可<span style="color: black;">诠释</span>的和可信的方式解释任何<span style="color: black;">归类</span>器的预测的全新解释技术。<span style="color: black;">她们</span>还提出了一种以非冗余方式<span style="color: black;">经过</span>给出<span style="color: black;">表率</span>性的单个预测及其解释来对模型进行解释的<span style="color: black;">办法</span>,这种<span style="color: black;">办法</span>将这一任务视作是一个子模块的优化问题(submodular optimization problem)。<span style="color: black;">经过</span>解释用于文本(如随机森林)和图像<span style="color: black;">归类</span>(如神经网络)的<span style="color: black;">区别</span>模型而证明了这些<span style="color: black;">办法</span>的灵活性。<span style="color: black;">经过</span>在多种需要信任的情形上进行了模拟的和以人类为对象的全新实验,从而展示<span style="color: black;">认识</span>释的实用性——这些任务需要一个人决定<span style="color: black;">是不是</span>相信一个预测、在模型之间做出<span style="color: black;">选取</span>、改进不值得信任的<span style="color: black;">归类</span>器和确定一个<span style="color: black;">归类</span>器<span style="color: black;">不该</span>该被信任的<span style="color: black;">原由</span>。</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP4:</strong><strong style="color: blue;">Trajectory pattern mining</strong>
</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">作者:Fosca Giannotti,Mirco Nanni,Fabio Pinelli,Dino Pedreschi</p><span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">论文<span style="color: black;">位置</span>:</p>https://aminer.cn/pub/53e99853b7602d970208a525
</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">被引用量:1174</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP5:</strong><strong style="color: blue;">Structural Deep Network Embedding</strong>
</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">作者:DAIXIN WANG,Peng Cui,Wenwu Zhu</p><span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">论文<span style="color: black;">位置</span>:</p>https://aminer.cn/pub/57aa28de0a3ac518da9896d6
</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">被引用量:1063</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP6:</strong><strong style="color: blue;">Collaborative Deep Learning for Recommender Systems</strong></p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">作者:Hao Wang,Naiyan Wang,Dit-Yan Yeung</p><span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">论文<span style="color: black;">位置</span>:</p>https://aminer.cn/pub/5550416845ce0a409eb3b00b
</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">被引用量:925</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP7:</strong><strong style="color: blue;">Intelligible Models for HealthCare: Predicting Pneumonia Risk and Hospital 30-day Readmission</strong>
</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">Rich Caruana,</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">作者:Yin Lou,Johannes Gehrke,Paul Koch,Marc Sturm,Noemie Elhadad</p><span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">论文<span style="color: black;">位置</span>:</p>https://aminer.cn/pub/5736973b6e3b12023e62b254
</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">被引用量:613</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP8:</strong><strong style="color: blue;">Certifying and Removing Disparate Impact</strong>
</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">作者:Michael Feldman,Sorelle A. Friedler,John Moeller,Carlos Scheidegger,Suresh Venkatasubramanian</p><span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">论文<span style="color: black;">位置</span>:</p>https://aminer.cn/pub/5736973c6e3b12023e62b9e5
</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">被引用量:591</p><strong style="color: blue;">TOP9:</strong><strong style="color: blue;">metapath2vec: Scalable Representation Learning for Heterogeneous Networks</strong>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">作者:Yuxiao Dong,Nitesh V. Chawla,Ananthram Swami</p><span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">论文<span style="color: black;">位置</span>:</p>https://aminer.cn/pub/59ae3c262bbe271c4c71f4a2
</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">被引用量:562</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;"><strong style="color: blue;">TOP10:</strong><strong style="color: blue;">Inferring Networks of Substitutable and Complementary Products</strong>
</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">作者:Julian J. McAuley,Rahul Pandey,Jure Leskovec</p><span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">论文<span style="color: black;">位置</span>:</p>https://aminer.cn/pub/5736973b6e3b12023e62b11d
</span>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">被引用量:531</p>
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">历届KDD<span style="color: black;">仔细</span>数据可查看:</p>https://aminer.cn/conference/5eeb1307b5261c744f15bcd3
<span style="color: black;">
<p style="font-size: 16px; color: black; line-height: 40px; text-align: left; margin-bottom: 15px;">KDD 2020 可查看:</p>https://www.aminer.cn/conf/kdd2020
</span>
你的话语如春风拂面,让我感到无比温暖。 感谢楼主的分享!我学到了很多。
页:
[1]