wsdm是国际顶级会议。
WSDM是信息检索与数据挖掘领域的国际顶级会议,由SIGIR、SIGKDD、SIGMOD和SIGWEB四个专委会协调筹办,在互联网搜索、数据挖掘领域享有较高学术声誉。2021年1月至今,高瓴人工智能学院已发表或被录用CCF A类国际期刊和会议论文67篇、CCF B类期刊和论文34篇。
在会话搜索中,利用用户和搜索引擎之间的历史交互来提高文档检索的效率是十分重要的。但并非所有历史信息都有助于候选文档的排序。实际上,用户在修改每一个查询的过程中经常会表达自己的偏好,这可以帮助我们在历史交互中捕捉有用的信息。
知识图谱作为重要资源已被广泛应用于信息检索,推荐系统,自然语言处理等各领域。但知识图谱通常面临着不完整的现象。知识补全旨在利用知识图谱的结构化信息预测知识图谱中丢失的三元组,已然成为知识图谱领域的研究热点。而实体类型预测是补全知识图谱的有效手段。
高效更通用地表示时间序列的方法
1、字典方法,找时序分段的特征值。
2、形状方法,找时序分段的特殊波形。
3、聚类方法,找时序分段的分类特征。
基于以上背景为出发,为了描述时间序列的动态信息,同时提供可解释的模型表示用于异常检测,该论文尝试将Shapelet映射回时序中, 探寻位置的敏感度,并随时间累积转移关系,构建Graph进行表示,形成一种可推理可解释的方法用于时序建模与异常分析。