计算机系9篇研究论文被人工智能领域顶级会议AAAI 2016录用,创历年新高

近日,计算机系在人工智能领域顶级会议AAAI 2016(Thirtieth AAAI Conference on Artificial Intelligence,第30届美国人工智能学会年会)上共有9篇论文被录用,录取数量创历年新高。

AAAI会议是人工智能相关领域的最高水平国际会议之一(A类),今年共投稿2132篇论文,录用549 篇,录用率26%。第30届美国人工智能学会年会将于2016年2月在美国凤凰城召开。

附录用论文简介

 论文《Bayesian Matrix Completion via Adaptive Relaxed Spectral Regularization》,作者包括本科生宋飏,指导教师朱军。本文聚焦自动推荐系统中的矩阵补全,解决了基于谱正则化的贝叶斯采样问题,并在此基础上利用稀疏先验给出了鲁棒的吉布斯采样算法。其在稀疏矩阵上的表现远高于常用的BPMF。

论文《Jointly Modeling Topics and Intents with Global Order Structure》,作者包括博士生陈蓓,指导教师朱军、张钹等。本文提出了GMM-LDA模型对文章的话题及句子的意图进行了统一的联合学习,通过对词进行类别的区分、结合广义Mallows模型对顺序结构建模,能够在无监督及有监督两种实验中都得到比已有方法更好的实验效果。

论文《Discriminative Nonparametric Latent Feature Relational Models with Data Augmentation》,作者包括博士生陈蓓,指导教师朱军、张钹等。本文提出了一种隐含特征模型进行大规模网络的链接预测,通过引入非参数化贝叶斯技术、正则化贝叶斯框架、Data Augmentation技术、随机梯度郎之万动力学方法等,提高了链接预测的AUC效果并且能够运用在大规模网络中。 

论文《Social Role-Aware Emotion Contagion in Image Social Networks》,作者包括博士生杨洋,指导教师贾珈、唐杰等。本文综合情感计算和社交网络建模方面的最新研究方法,研究了社交媒体中用户所扮演的社会角色信息,与用户情感状态的传播过程之间的联系。研究发现,在网络中有着特殊结构的意见领袖用户和结构洞用户在正面情感上有着较强的影响力,而普通用户则更能在负面情感上影响他们的朋友。利用这个结果对情感传播进行了更好的建模,评阅人认为“will have broad application in network contagion studies”。

论文《Learning to Appreciate the Aesthetic Effects of Clothing》,作者包括指导教师贾珈,本科生黄杰等。本文聚焦美学心理认知的计算方法。面向万维网中的海量服装图片信息,基于美学理论与服装搭配原则,实现美学语义特性的量化表征,以及底层服装图像特征与高层美学语意特性的关联映射,从而实现“让计算机学会欣赏人类的着装”。

论文《Little Is Much: Bridging Cross-Platform Behaviors through Overlapped Crowds》,作者包括博士生蒋朦,指导教师崔鹏、杨士强等。本文探索人们用不同应用平台满足不同生活需求,所引起的普遍存在的跨平台行为的本质特征,提出利用“部分对齐用户”(如用Facebook账号使用Uber软件的用户是各自平台的少部分)桥接多平台行为数据的思想,设计了“半监督迁移学习”模型,将对齐用户的行为作为监督信息,允许不同平台的用户表征不同,由此将辅助平台知识迁移到目标平台行为预测任务中来,较单平台预测提升21%。

论文《Semi-supervised Text Classification by Leveraging Word-level Statistical Constraint》,作者包括博士生赵立,指导教师黄民烈、朱小燕等。本文提出了一种在标注数据和未标注数据中保持词类分布一致性的半监督学习方法,并在后验正则化的框架下求解优化问题,使得半监督的学习方法性能更鲁棒和优越,可以广泛地适应在半监督的文本分类问题中。

论文《Building Earth Mover's Distance on Bilingual Word Embeddings for Machine Translation》,作者包括博士生张檬,指导教师刘洋、孙茂松等。提出利用Earth Mover方法计算双语词汇分布式表示的语义空间距离,显著提高了机器翻译中词汇翻译和平行语料库过滤两项任务的准确率。

论文《Representation Learning of Knowledge Graphs with Entity Descriptions》,作者包括硕士生谢若冰,指导教师刘知远、孙茂松等。提出融合知识图谱三元组和实体描述文本的知识表示学习模型,实验证明,该模型能根据描述为新实体自动构建向量表示,显著提升实体预测、关系预测和实体分类的性能。