帶你讀論文 | 微軟亞洲研究院高被引論文不完全清單（下篇）

---

  新智元報(bào)道  

來源：微軟研究院AI頭條

【新智元導(dǎo)讀】本文基于 Paper Digest 網(wǎng)站所整理列出的「最具影響力論文」進(jìn)行梳理。

上周在文章《微軟亞洲研究院高被引論文不完全清單（上篇）》中，我們?yōu)榇蠹沂崂砹藲v年來微軟亞洲研究院在機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺、自然語言處理以及信息檢索領(lǐng)域的34篇亮點(diǎn)論文。今天的《下篇》給大家?guī)淼氖侨斯ぶ悄?、網(wǎng)絡(luò)、數(shù)據(jù)挖掘、數(shù)據(jù)管理領(lǐng)域的33篇亮點(diǎn)論文。其中包括：協(xié)同過濾、圖聚類問題、主題信息、跨模態(tài)預(yù)訓(xùn)練模型、分布式圖計(jì)算引擎、隱私保護(hù)、采樣算法、差分?jǐn)?shù)據(jù)結(jié)構(gòu)、深度強(qiáng)化學(xué)習(xí)框架、知識(shí)圖、矩陣分解、時(shí)序預(yù)測(cè)......

本文的梳理同樣是基于 Paper Digest 網(wǎng)站所整理列出的“最具影響力論文”，由于網(wǎng)站收錄的大會(huì)有限，并不能涵蓋微軟亞洲研究院的所有研究領(lǐng)域，論文引用量也不能完全代表其影響力，但我們希望這份清單可以讓大家更好地了解一些熱門領(lǐng)域的研究動(dòng)向，并給大家的學(xué)術(shù)研究帶來一些啟發(fā)。

以“論文的一句話摘要”為特色的 Paper Digest 網(wǎng)站，按照不同的研究方向?qū)τ?jì)算機(jī)領(lǐng)域的一些熱門頂會(huì)進(jìn)行了分類，并且根據(jù)論文的引用量，在部分頂會(huì)的“最具影響力論文”板塊中對(duì)收錄的論文進(jìn)行了影響力排名。該排名實(shí)時(shí)變動(dòng)，且每一屆頂會(huì)只評(píng)選引用量靠前的10-15篇論文。

人工智能領(lǐng)域頂會(huì)：IJCAI、AAAI

IJCAI 2018：Reinforced Mnemonic Reader For Machine Reading Comprehension

https://arxiv.org/abs/1705.02798

論文亮點(diǎn)：文章提出了一種基于記憶的答案抽取網(wǎng)絡(luò)，可以持續(xù)增加閱讀知識(shí)的同時(shí)，不斷提取答案片段。

AAAI 2010：Collaborative Filtering Meets Mobile Recommendation: A User-Centered Approach

https://www.aaai.org/ocs/index.php/AAAI/AAAI10/paper/viewPaper/1615

論文亮點(diǎn)：微軟亞洲研究院提出了一種以用戶為中心的協(xié)同地點(diǎn)和活動(dòng)過濾模型，將多個(gè)用戶的數(shù)據(jù)集中在一起，并應(yīng)用協(xié)同過濾來發(fā)現(xiàn)不同地點(diǎn)的相似用戶及活動(dòng)。

AAAI 2013：Multi-Armed Bandit With Budget Constraint And Variable Costs

https://www.aaai.org/ocs/index.php/AAAI/AAAI13/paper/viewPaper/6381

論文亮點(diǎn)：在很多 Bandit 的實(shí)際應(yīng)用中我們都需要考慮到預(yù)算和成本，針對(duì)這類問題，微軟亞洲研究院提出了兩種新的 UCB 的算法。

 

AAAI 2014：Sequential Click Prediction For Sponsored Search With Recurrent Neural Networks

https://www.aaai.org/ocs/index.php/AAAI/AAAI14/paper/viewPaper/8529

論文亮點(diǎn)：論文提出了用 RNN 模型來預(yù)估 CTR（點(diǎn)擊通過率），與傳統(tǒng)的 CTR 預(yù)估方式相比，RNN 可直接對(duì)用戶的行為序列進(jìn)行建模。

 

AAAI 2014：Learning Deep Representations For Graph Clustering

https://www.aaai.org/ocs/index.php/AAAI/AAAI14/paper/viewPaper/8527

論文亮點(diǎn)：這篇論文的工作最早將深度學(xué)習(xí)應(yīng)用于圖聚類問題（graph clustering）。論文的思路是先將自編碼器（autoencoder）應(yīng)用到圖結(jié)構(gòu)中進(jìn)行特征提取，然后再使用 k-means 聚類。

AAAI 2017：Topic Aware Neural Response Generation

https://aaai.org/ocs/index.php/AAAI/AAAI17/paper/viewPaper/14563

論文亮點(diǎn)：文章提出了一種主題感知序列到序列（TA-Seq2Seq）模型，利用主題信息作為先驗(yàn)知識(shí)進(jìn)行對(duì)話生成，具體來說是使用一個(gè)聯(lián)合的注意力機(jī)制以及一個(gè)偏差糾正的生成概率來利用主題信息。

AAAI 2019：Neural Speech Synthesis With Transformer Network

https://ojs.aaai.org//index.php/AAAI/article/view/4642

論文亮點(diǎn)：受 Transformer 網(wǎng)絡(luò)在神經(jīng)機(jī)器翻譯（NMT）中的成功啟發(fā)，文章結(jié)合了 Transformer 和 Tacotron 各自的優(yōu)點(diǎn)，提出了 Transformer-TTS。采用自注意力機(jī)制：1. 替代 RNN 建模，提高并行性；2. 替代 Tacotron 的注意力，multi-head 多方面建模。

AAAI 2020：Unicoder-VL: A Universal Encoder for Vision and Language by Cross-Modal Pre-Training

https://ojs.aaai.org//index.php/AAAI/article/view/6795

論文亮點(diǎn)：文章提出了跨模態(tài)預(yù)訓(xùn)練模型 Unicoder-VL。借助通用領(lǐng)域的跨模態(tài)預(yù)訓(xùn)練，該模型能夠?qū)W習(xí)到語言和視覺間的內(nèi)在關(guān)聯(lián)，并用于生成語言和視覺的聯(lián)合向量表示。

網(wǎng)絡(luò)領(lǐng)域頂會(huì)：SIGCOMM、WWW、MOBICOM

SIGCOMM 2004：Shield: Vulnerability-driven Network Filters For Preventing Known Vulnerability Exploits

https://dl.acm.org/doi/abs/10.1145/1015467.1015489

論文亮點(diǎn)：文章提出了 Shield，首次提出一種通過在傳輸層上安裝特定的 Net Filters 來實(shí)現(xiàn)可快速部署的蠕蟲和漏洞防護(hù)框架。

SIGCOMM 2008：Dcell: A Scalable And Fault-tolerant Network Structure For Data Centers

https://dl.acm.org/doi/abs/10.1145/1402958.1402968

論文亮點(diǎn)：微軟亞洲研究院提出了一種新的網(wǎng)絡(luò)互聯(lián)結(jié)構(gòu) DCell，它不僅具有數(shù)據(jù)中心組網(wǎng)所需的主要特性，并且可以比傳統(tǒng)樹結(jié)構(gòu)的網(wǎng)絡(luò)互聯(lián)結(jié)構(gòu)有著更好的傳輸性能和容錯(cuò)性。

SIGCOMM 2009：BCube: A High Performance, Server-centric Network Architecture For Modular Data Centers

https://dl.acm.org/doi/10.1145/1592568.1592577

論文亮點(diǎn)：面對(duì)基于集裝箱（shipping-container based）的模塊化數(shù)據(jù)中心，文章設(shè)計(jì)了一種新型網(wǎng)絡(luò)體系結(jié)構(gòu) BCube。BCube 首次將數(shù)據(jù)中的服務(wù)器也作為網(wǎng)絡(luò)架構(gòu)的關(guān)鍵節(jié)點(diǎn)，而不僅僅是終端。這樣，整個(gè)模塊化數(shù)據(jù)中心的容錯(cuò)性和可靠性都得到了更好的保障。

SIGCOMM 2015：Pingmesh: A Large-Scale System For Data Center Network Latency Measurement And Analysis

https://dl.acm.org/doi/abs/10.1145/2785956.2787496

論文亮點(diǎn)：文章提出了用于數(shù)據(jù)中心網(wǎng)絡(luò)延遲測(cè)量和分析的大規(guī)模系統(tǒng) Pingmesh。

WWW 2008：Learning Transportation Mode From Raw Gps Data For Geographic Applications On The Web

https://dl.acm.org/doi/abs/10.1145/1367497.1367532

論文亮點(diǎn)：微軟亞洲研究院提出了一種基于監(jiān)督學(xué)習(xí)的方法，從原始 GPS 數(shù)據(jù)中自動(dòng)推斷交通方式。

WWW 2009：Mining Interesting Locations And Travel Sequences From GPS Trajectories

https://dl.acm.org/doi/abs/10.1145/1526709.1526816

論文亮點(diǎn)：基于大量用戶的 GPS 軌跡，論文在給定的地理區(qū)域中挖掘出了有趣的地點(diǎn)和經(jīng)典的旅行路線。

WWW 2010：Collaborative Location And Activity Recommendations With GPS History Data

https://dl.acm.org/doi/abs/10.1145/1772690.1772795

論文亮點(diǎn)：微軟亞洲研究院通過 GPS 位置數(shù)據(jù)和用戶在不同地點(diǎn)的評(píng)論數(shù)據(jù)，給相關(guān)用戶推薦有趣的地點(diǎn)和活動(dòng)。

WWW 2015：LightLDA: Big Topic Models On Modest Computer Clusters

https://dl.acm.org/doi/abs/10.1145/2736277.2741115

論文亮點(diǎn)：本文貢獻(xiàn)在三個(gè)模型：1.高效的O(1)Metropolis-Hastings 采樣算法，其運(yùn)行成本與模型大小無關(guān)；2.一種模型調(diào)度方案以處理大模型帶來的成本挑戰(zhàn)；3.一種用于模型存儲(chǔ)的差分?jǐn)?shù)據(jù)結(jié)構(gòu)。

WWW 2018：DRN: A Deep Reinforcement Learning Framework for News Recommendation

https://dl.acm.org/doi/abs/10.1145/3178876.3185994

論文亮點(diǎn)：微軟亞洲研究院提出了一種面向新聞推薦的深度強(qiáng)化學(xué)習(xí)框架 DRN。該框架使用了 DQN 網(wǎng)絡(luò)，對(duì)短期回報(bào)和長(zhǎng)期回報(bào)進(jìn)行了有效地模擬。

WWW 2018：DKN: Deep Knowledge-Aware Network for News Recommendation

https://dl.acm.org/doi/abs/10.1145/3178876.3186175

論文亮點(diǎn)：文章提出了一種深度知識(shí)感知網(wǎng)絡(luò)（DKN），將知識(shí)圖表示融入到新聞推薦中。

WWW 2019：Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation

https://dl.acm.org/doi/10.1145/3308558.3313411

論文亮點(diǎn)：在該論文中，作者將推薦系統(tǒng)和知識(shí)圖譜建模視為兩個(gè)分離但相關(guān)的任務(wù)，設(shè)計(jì)了一個(gè)多任務(wù)學(xué)習(xí)的框架，利用知識(shí)圖譜建模任務(wù)來輔助推薦系統(tǒng)任務(wù)。

WWW 2019：Knowledge Graph Convolutional Networks For Recommender Systems

https://dl.acm.org/doi/10.1145/3308558.3313417

論文亮點(diǎn)：微軟亞洲研究院提出了一種用于推薦系統(tǒng)的知識(shí)圖卷積網(wǎng)絡(luò)（KGCN）它可以通過在知識(shí)圖譜上挖掘物品的屬性來有效地捕捉物品間的相關(guān)性。

MOBICOM 2018：DeepCache: Principled Cache For Mobile Deep Vision

https://arxiv.org/abs/1712.01670

論文亮點(diǎn)：文章提出了一種新的為移動(dòng)視頻上做深度推理的 Cache 設(shè)計(jì)。DeepCache 利用視頻時(shí)間上的 Locality 這一內(nèi)部秉性，極大地提高了推理運(yùn)算的效率。

數(shù)據(jù)挖掘領(lǐng)域頂會(huì)：KDD

KDD 2011：Discovering Spatio-temporal Causal Interactions In Traffic Data Streams

https://dl.acm.org/doi/abs/10.1145/2020408.2020571

論文亮點(diǎn)：本文提出了一種在交通數(shù)據(jù)中發(fā)現(xiàn)異常及因果關(guān)系的算法。

KDD 2011：Driving with knowledge from the physical world

https://dl.acm.org/doi/abs/10.1145/2020408.2020462

論文亮點(diǎn)：基于從出租車軌跡數(shù)據(jù)中挖掘出的交通模式和駕駛員行為模式，本文設(shè)計(jì)了一種為用戶提供定制化導(dǎo)航路線的服務(wù)。

KDD 2012：Discovering Regions Of Different Functions In A City Using Human Mobility And POIs

https://dl.acm.org/doi/abs/10.1145/2339530.2339561

論文亮點(diǎn)：本文提出了一種基于主題模型，利用區(qū)域間人群移動(dòng)和區(qū)域內(nèi)興趣點(diǎn)分布來挖掘城市不同功能區(qū)域的方法。

KDD 2014：Inferring Gas Consumption And Pollution Emission Of Vehicles Throughout A City

https://dl.acm.org/doi/abs/10.1145/2623330.2623653

論文亮點(diǎn)：文章基于出租車軌跡數(shù)據(jù)，提出了一種預(yù)測(cè)車輛能耗和尾氣排放情況的方法。

KDD 2014：GeoMF: Joint Geographical Modeling And Matrix Factorization For Point-of-interest Recommendation

https://dl.acm.org/doi/abs/10.1145/2623330.2623638

論文亮點(diǎn)：本文提出了 GeoMF，一種結(jié)合地理模型和加權(quán)矩陣分解的地點(diǎn)推薦算法。

KDD 2015：Forecasting Fine-Grained Air Quality Based on Big Data

https://dl.acm.org/doi/abs/10.1145/2783258.2788573

論文亮點(diǎn)：文章提出了一個(gè)多視圖混合模型，用于細(xì)粒度空氣質(zhì)量預(yù)測(cè)。

KDD 2016：Collaborative Knowledge Base Embedding For Recommender Systems

https://dl.acm.org/doi/abs/10.1145/2939672.2939673

論文亮點(diǎn)：微軟亞洲研究院提出了一種利用知識(shí)圖譜中的語義網(wǎng)絡(luò)、文字描述以及圖片等信息來提高推薦質(zhì)量的模型。研究員使用異構(gòu)網(wǎng)絡(luò)嵌入以及深度學(xué)習(xí)等技術(shù)來提取數(shù)據(jù)中的語義信息，并與協(xié)同過濾算法進(jìn)行了深度融合。

KDD 2018：xDeepFM: Combining Explicit and Implicit Feature Interactions for Recommender Systems

https://dl.acm.org/doi/10.1145/3219819.3220023

論文亮點(diǎn)：文字提出了一種極深因子分解機(jī)模型（xDeepFM），不僅能同時(shí)以顯式和隱式的方式自動(dòng)學(xué)習(xí)高階的特征交互，使特征交互發(fā)生在向量級(jí)，還兼具了記憶與泛化的學(xué)習(xí)能力。

KDD 2020：LayoutLM: Pre-training Of Text And Layout For Document Image Understanding

https://dl.acm.org/doi/abs/10.1145/3394486.3403172

論文亮點(diǎn)：微軟亞洲研究院提出了 LayoutLM 模型來對(duì)文檔中的文本和布局信息進(jìn)行聯(lián)合建模。該模型對(duì)大量實(shí)際文檔圖像理解任務(wù)很有幫助，例如從掃描文檔中提取信息。此外，文章還利用了圖像特征來整合單詞的視覺信息到 LayoutLM 中去。

數(shù)據(jù)管理領(lǐng)域頂會(huì)：SIGMOD

SIGMOD 2010：Searching Trajectories By Locations: An Efficiency Study

https://dl.acm.org/doi/abs/10.1145/1807167.1807197

論文亮點(diǎn)：在本文中，研究員研究了一類新的軌跡查詢問題，即在一個(gè)時(shí)空數(shù)據(jù)庫中通過指定或不指定順序的一個(gè)地點(diǎn)集合來搜索最佳連接軌跡的問題。

SIGMOD 2013：Trinity: A Distributed Graph Engine On A Memory Cloud

https://dl.acm.org/doi/abs/10.1145/2463676.2467799

論文亮點(diǎn)：微軟亞洲研究院設(shè)計(jì)開發(fā)了 Trinity 分布式圖計(jì)算引擎（Microsoft Graph Engine）。Trinity 支持對(duì)百億節(jié)點(diǎn)的超大規(guī)模圖數(shù)據(jù)進(jìn)行毫秒級(jí)的實(shí)時(shí)查詢。

SIGMOD 2016：PrivTree: A Differentially Private Algorithm For Hierarchical Decompositions

https://dl.acm.org/doi/abs/10.1145/2882903.2882928

論文亮點(diǎn)：文章提出了一種名為 PrivTree 的差分隱私算法，可用于保護(hù)空間和序列等類型的數(shù)據(jù)。