WWW 2021有哪些值得读的图机器学习相关论文？
WWW (這兩年改名叫TheWebConf了) 會議是由圖靈獎得主Tim創辦的學術會議，內容涵蓋互聯網相關的一切主題。中國計算機協會將其認證為CCF-A類頂級會議，難度極大。中一篇吹一年。
本文梳理WWW 2021有關圖機器學習領域的最新研究成果，供大家參考。
圖表示學習
推薦系統
知識圖譜
冷啟動問題
生成對抗網絡
對話AI
醫療
WWW2021的論文可于官網上查看，官網上根據主題將不同的論文映射到向量空間中，這樣可以看到不同論文之間的相似度，而且還能根據標簽、標題來搜索想看的論文哦~
地址：
https://www2021.thewebconf.org/program/papers-program/
圖表示學習
圖，如社交網絡、單詞共存網絡和通信網絡，廣泛地存在于各種現實應用中。通過對它們的分析，我們可以深入了解社會結構、語言和不同的交流模式，因此圖一直是學界研究的熱點。真實的圖（網絡）往往是高維、難以處理的，20世紀初，研究人員發明了圖嵌入算法，對真實的圖進行降維處理。他們首先根據實際問題構造一個D維空間中的圖，然后將圖的節點嵌入到d（d<<D）維向量空間中。嵌入的思想是在向量空間中保持連接的節點彼此靠近。
本次WWW帶來了6篇有關圖表示學習的論文，內容涉及異質圖上節點表示的優化、基于子圖層次選擇和嵌入的圖神經網絡、解耦GCN的理論分析等，如下所示：
Self-Supervised Learning of Contextual Embeddings for Link Prediction in Heterogeneous Networks
SUGAR: Subgraph Neural Network with Reinforcement Pooling and Self-Supervised Mutual Information Mechanism
On the Equivalence of Decoupled Graph Convolution Network and Label Propagation
Knowledge Embedding Based Graph Convolutional Network
Rumor Detection with Field of Linear and Non-Linear Propagation
Multi-level Connection Enhanced Representation Learning for Script Event Prediction
推薦系統
推薦系統是一種信息過濾系統，用于預測用戶對物品的“評分”或“偏好”。
推薦系統近年來非常流行，應用于各行各業。推薦的對象包括：電影、音樂、新聞、書籍、學術論文、搜索查詢、分眾分類、以及其他產品。也有一些推薦系統專門為尋找專家、合作者、笑話、餐廳、美食、金融服務、生命保險、網絡交友，以及Twitter頁面設計等。
本次WWW論文中，涉及到推薦系統的論文多達23篇，由此可見推薦系統的火爆程度。論文內容涉及到面向未來的推薦系統框架、提高推薦系統的多樣性、對復雜的高階關系進行建模、用戶對商品類別的偏好的動態模型等研究方向，論文列表如下：
Large-scale Comb-K Recommendation
A Recommender System for Crowdsourcing Food Rescue Platforms
Future-Aware Diverse Trends Framework for Recommendation
Graph Embedding for Recommendation against Attribute Inference Attacks
Diversified Recommendation Through Similarity-Guided Graph Neural Networks
Self-Supervised Multi-Channel Hypergraph Convolutional Network for Social Recommendation
Reinforcement Recommendation with User \Multi-aspect Preference
User-oriented Group Fairness In Recommender Systems
Bidirectional Distillation for Top-K Recommender System
Towards Content Provider Aware Recommender Systems: A Simulation Study on the Interplay between User and Provider Utilities
Debiasing Career Recommendations with Neural Fair Collaborative Filtering
Learning Heterogeneous Temporal Patterns of User Preference for Timely Recommendation
Cost-Effective and Interpretable Job Skill Recommendation with Deep Reinforcement Learning
Learning Fair Representations for Recommendation: A Graph-based Perspective
Where Next? A Dynamic Model of User Preferences
Leveraging Review Properties for Effective Recommendation
High-dimensional Sparse Embeddings for Collaborative Filtering
DCN V2: Improved Deep & Cross Network and Practical Lessons for Web-scale Learning to Rank Systems
A Model of Two Tales: Dual Transfer Learning Framework for Improved Long-tail Item Recommendation
Rabbit Holes and Taste Distortion: Distribution-Aware Recommendation with Evolving Interests
FINN: Feedback Interactive Neural Network for Intent Recommendation
Field-aware Embedding Space Searching in Recommender Systems
Learning Intents behind Interactions with Knowledge Graph for Recommendation
知識圖譜
知識圖譜是由Google公司在2012年提出來的一個新的概念。從學術的角度，我們可以對知識圖譜給一個這樣的定義：“知識圖譜本質上是語義網絡（Semantic Network）的知識庫”。知識圖譜本質上就是把所有不同種類的信息（Heterogeneous Information）連接在一起而得到的一個關系網絡。
本次WWW帶來了9篇論文，內容涉及到KG上的鏈路預測、效率提升、KG嵌入雙曲空間、KG上的查詢等方面的研究，論文如下：
Inductive Entity Representations from Text via Link Prediction
Boosting the Speed of Entity Alignment 10×: Dual Attention Matching Network with Normalized Hard Sample Mining
Mixed-Curvature Multi-relational Graph Neural Network for Knowledge Graph Completion
Structure-Augmented Text Representation Learning for Efficient Knowledge Graph Completion
Self-Supervised Hyperboloid Representations from Logical Queries over Knowledge Graphs
Few-Shot Knowledge Validation using Rules
Learning Intents behind Interactions with Knowledge Graph for Recommendation
MedPath: Augmenting Health Risk Prediction via Medical Knowledge Paths
RETA: A Schema-Aware, End-to-End Solution for Instance Completion in Knowledge Graphs
冷啟動問題
推薦系統需要根據用戶的歷史行為和興趣預測用戶未來的行為和興趣，因此大量的用戶行為數據就成為推薦系統的重要組成部分和先決條件。
在開始階段就希望有個性化推薦應用的網站來說，如何在沒有大量用戶數據的情況下設計個性化推薦系統并且讓用戶對推薦結果滿意從而愿意使用推薦系統，就是冷啟動的問題。
本次WWW帶來2篇有關冷啟動的論文，內容包括對抗項目推廣、全局知識解碼器等，論文如下：
Adversarial Item Promotion: Vulnerabilities at the Core of Top-N Recommenders that Use Images to Address Cold Start
Task-adaptive Neural Process for User Cold-Start Recommendation
生成對抗圖
生成對抗網絡（Generative Adversarial Network，簡稱GAN）是非監督式學習的一種方法，通過讓兩個神經網絡相互博弈的方式進行學習。
本次WWW帶來的論文包括推薦系統中模擬真實用戶行為、時間圖生成對抗網絡、解決可見類和不可見類之間的數據不平衡問題、在文本情感分類中提取與情感相關的區別性特征等，論文如下：
User Simulation via Supervised Generative Adversarial Network
TG-GAN: Continuous-time Temporal Graph Deep Generative Models with Time-Validity Constraints
OntoZSL: Ontology-enhanced Zero-shot Learning
Curriculum CycleGAN for Textual Sentiment Domain Adaptation with Multiple Sources
Completing Missing Prevalence Rates for Multiple Chronic Diseases by Jointly Leveraging Both Intra- and Inter-Disease Population Health Data Correlations
對話AI
對話式 AI 就是人與機器之間的交互。它識別語音和文本、意圖以及各種語言，以模仿自然語言，或人類對話。對話式 AI 解決方案可以完成人類經常做的重復性任務，從而節省金錢和時間，并使人類騰出時間從事更高層次的戰略性工作。
本次WWW為我們帶來的論文內容有關使用Wikipedia頁面嵌入來預測應將哪些屬性附加到給定實體、研究如何產生構想答案、增加知識圖的覆蓋范圍等，有如下3篇：
Wiki2Prop: A Multi-Modal Approach for Predicting Wikidata Properties from Wikipedia
Compositional Question Answering via Hierarchical Graph Neural Networks
Information Extraction From Co-Occurring Similar Entities
醫療
人工智能（AI）正在經歷爆炸式增長，影響著許多行業，也正為醫療健康行業帶來一場全新革命。
生物信息領域產生分子層面的基因突變、基因表達等數據；制藥企業在藥物研發過程中產生的臨床試驗數據；疾病患者或藥物使用者在社交媒體發布的患病及用藥感受；醫療移動設備收集的用戶日常健康數據等。這些是醫藥大數據的主要構成部分，其對于醫院的疾病輔助診斷和治療方案確定、制藥行業的研發及營銷效率、監管部門對于流行病的預測和對藥物不良反應的監測、患者的個性化治療和個人健康管理等都具有重要意義。
本次WWW帶來的有關醫療的論文涉及到DDI預測、新的推薦藥物包裝范例、解決冷啟動和臨床描述稀缺的問題、分子特性的預測等，如下所示：
Multi-view Graph Contrastive Representation Learning for Drug-Drug Interaction Prediction
Drug Package Recommendation via Interaction-aware Graph Induction
Online Disease Self-diagnosis with Inductive Heterogeneous Graph Convolutional Networks
Few-Shot Molecular Property Prediction
????
現在，在「知乎」也能找到我們了
進入知乎首頁搜索「PaperWeekly」
點擊「關注」訂閱我們的專欄吧
關于PaperWeekly
PaperWeekly 是一個推薦、解讀、討論、報道人工智能前沿論文成果的學術平臺。如果你研究或從事 AI 領域，歡迎在公眾號后臺點擊「交流群」，小助手將把你帶入 PaperWeekly 的交流群里。
總結
以上是生活随笔為你收集整理的WWW 2021有哪些值得读的图机器学习相关论文？的全部內容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： NAACL 2021 | QA-GNN：
- 下一篇： TCSVT | 横看成岭侧成峰：交叉视角