Paper 研习社本周论文推荐精选 | 第三期

本文作者： AI研习社

2019-09-27 17:47

导语：「本周论文推荐精选」是 Paper 研习社推出的全新栏目。

「本周论文推荐精选」是 Paper 研习社推出的全新栏目，展现社友们在研习论文的过程中，推荐自己所阅读到的优秀论文，帮助大家一起学习、讨论每个领域最新、最精彩的学术论文。

①

#图学习方法#

基于时序关系排名的股票预测

推荐理由：这篇文章已经于2019年1月发表在了ACM Transactions>为了解决这个问题，作者提出了一种名为Temporal Graph Convolution (TGC)的网络结构。作者首先通过LSTM网络从股票价格的时间序列数据中学习时序依赖性，然后通过新提出的TGC网络，基于时变的股票关系来调整股票之间的时序嵌入。最后再通过一个全连接网络，通过股票之间的时序嵌入和关系嵌入来得到每只股票的排名，从而指导交易。与其他基于时序特征的股票预测方法相比，作者提出的方法能够取得更高的收益率。

这篇文章将图神经网络在股票预测中的应用向前推进了一步，考虑了时序关系上的变化并提出了新的网络结构，可以启发后续的研究进一步挖掘股票关系数据在价格预测中发挥的作用。

论文链接：

https://arxiv.org/abs/1809.09441

项目链接：

https://github.com/fulifeng/Temporal_Relational_Stock_Ranking

推荐人：琴•福克纳（清华大学信息与通信工程，Paper 研习社特约作者）

②

#机器学习#

机器学习的五大类别及其主要算法综述

推荐理由一：机器学习作为一门源于人工智能和统计学的学科，是当前数据分析领域重点研究方向之一。首先通过追溯机器学习起源和介绍不同算法在求解策略上的启发性思路，讨论五类机器学习的发展及其主要算法在评价方法和优化方式上的实现，进一步总结归纳各算法适用领域和算法优劣，最后指出各算法克服自身缺陷的最新进展和未来实现多算法融合的研究方向。

机器学习来源于早期的人工智能领域，传统算法包括决策树、聚类、贝叶斯分类、支持向量机、EM、Adaboost等，在指纹识别、基于Haar的人脸检测、基于HoG特征的物体检测等领域的应用基本达到了商业化的要求或特定场景的商业化水平，即便出现了让人耳目一新的深度学习，但每前进一步都异常艰难，科学的本质是合作，希望通过梳理机器学习的类别与算法，找到融合、持续发展之路。

论文链接：

http://www.rjdk.org/CN/article/searchArticle.do?ks_keyword=%E6%9D%8E%E6%97%AD%E7%84%B6&Submit2=#

推荐人：软件导刊（2002年创刊，国家新闻出版广电总局首批认定学术期刊。湖北省科学技术厅主管，湖北省科技信息研究院主办；湖北省科技传媒有限责任公司出版，国内外公开发行。Paper 研习社特约作者）

③

#人脸识别# #情感分析#

从电影中收集大规模、丰富标注的面部表情数据集

推荐理由：这篇文章提出了一种基于semi-automatic recommender的策略从电影中采集面部表情数据。并给出了详尽的采集准则。

数据集将情感分为六类，分别是Anger, Disgust, Fear, Sadness, Happiness, Neutral和Surprise。它们的样本数量分别是194, 123, 156, 165，387, 257和144。

数据集也是公开获取的，可以参见https://cs.anu.edu.au/few/AFEW.html。

数据集除了样本数量比较多的特点外，还标注了表演者的年龄、性别、姿势等信息，在多模态人脸情感分析中有着重要的应用。

论文链接：

http://users.cecs.anu.edu.au/~adhall/Dhall_Goecke_Lucey_Gedeon_M_2012.pdf

推荐人：feima0969（清华大学数据科学，Paper 研习社特约作者）

④

#知识图谱##推荐系统#

基于知识图谱注意力网络的推荐算法

推荐理由：近些年，一些工作尝试将知识图谱引入到推荐系统中来提升推荐系统的解释性。本文将知识图谱与推荐中的User-Item交互图建立成一个混合图，然后设计了知识图谱注意力网络KGAT来进行推荐。本文所提出的模型并不复杂，简单明了直击要害，是知识图谱和推荐系统很好结合的一个工作。另外，如何考虑知识图谱中实体和关系的差异，针对关系的多样性来设计知识图谱神经网络是一个富有挑战的工作。KGAT设计了Knowledge-aware Attention来聚合邻居信息并更新节点表示，可以更好地学习知识图谱的Embedding。

最后，KGAT实验效果非常好。同时，受益于注意力机制和知识图谱，实验结果有很好的可解释性。具体见实验部分的case study。

论文链接：https://arxiv.org/abs/1905.07854v1

推荐人：Houye（北京邮电大学，Paper 研习社首席论文推荐官。）

⑤

#图神经网络#

预测且传播：当图神经网络遇上个性化PageRank

推荐理由：图神经网络已经成为深度学习领域的热门方向之一。但是图神经网络有个致命缺点：随着层数的增加，GNN会出现过平滑现象，GNN所学习到的节点表示不再有区分度。有一些工作尝试对过平滑现象进行解释。本文基于18ICML JK-Net的结论分析了GNN与PageRank之间的关系，同时同个性化PageRank的角度设计了一个新颖的聚合方式，来克服过平滑问题。个人觉得本文用一种非常优雅的方式解决了过平滑问题，具有非常好的指导意义！

从实验结果来看，本文所提出的PPNP和APPNP可以将GNN堆叠至几十层而不出现过平滑现象。随着层数的增加，PPNP的效果持续增加，同时也超过经典的GCN和GAT。

论文链接：https://arxiv.org/abs/1810.05997

推荐人：Houye（北京邮电大学，Paper 研习社首席论文推荐官。）

✎✎✎

除了上述的的五篇精选论文推荐，我们还为你精心准备了可以一键下载的论文集：

ICCV 2019 Accepted Paper Full List

下载地址：https://www.yanxishe.com/resourceDetail/1017?from=leiphonecolumn

ICLR 2019 论文合集

下载地址：https://www.yanxishe.com/resourceDetail/1026?from=leiphonecolumn

ICLR 2018 论文合集

下载地址：https://www.yanxishe.com/resourceDetail/1025?from=leiphonecolumn

ACL 历年最佳论文合集