1. A Simple Convolutional Generative Network for Next Item Recommendation

• WSDM 2019
• Xiangnan He
• session based 推荐，推荐下一个物品
• 把一个session的物品看作一个二维的矩阵，用CNN建模
• 可以同时得到长期和短期的物品相关

2. Modeling Temporal Evidence from External Collections

• WSDM 2019
• 做搜索排序的
• 估计与某个事件最相关的时间
• 通过外部数据对Temporal Evidence建模，用来推断主题的时间相关性，然后选择the query expansion terms，再re-rank最后的排序结果

3. Recurrent Recommendation with Local Coherence

• WSDM 2019
• user-item打分预测
• 用户和item都在随时间变化，在短期序列里面，相邻的user或item很可能是很相关的（这点跟我们ijcai2018的文章想法类似）
• 主要动机是认为user和item都有local coherence和long-term evolution两个性质
• 对于local coherence，用word2vec方式预训练出每个item和每个user的Embedding。把序列看作一个句子的做
• 用类似word2vec的方法，得到每一次rating事件的Embedding
• 然后用RNN最对user序列和item序列建模，得到最后的预测结果
• 数据集：Amazon（公开的），Goodreads（自己爬的）
• 可以解决冷启动问题（对新new或者新item）

4. A Dual Attention Network with Semantic Embedding for Few-shot Learning

• AAAI 2019
• Few-shot Learning：meta-learning的一种，用少量的数据做参考，帮助预测任务
• 做的图像识别
• 同时做两个任务：Meta Prediction和Semantic Prediction
• meta prediction：两个Attention，一个对图片区域做Attention，一个对用来参考的多个图片表示做Attention
• semantic prediction：直接用图片的Embedding，Average Pooling
• 用了3个公开数据集：MiniImageNe，Omniglot，CIFAR100

5. A Hierarchical Multi-task Approach for Learning Embeddings from Semantic Tasks

• AAAI 2019
• 分层多任务text Embedding
• 一套word Embedding用多层的BiLSTM同时做多个任务的预测，模型结构很简单
• 多任务有Named Entity Recognition、Entity Mention Detection、Coreference Resolution、Relation Extraction

6. Attention-based Multi-Context Guiding for Few-Shot Semantic Segmentation

• AAAI 2019
• 图片分割
• 因为带标签的数据太少，生成数据标签代价大，所以需要用尽可能少的数据得到答案，所以引入Few shot
• Few shot就是一条训数据里面有几条带标签的“样本数据”和一个待预测的数据，通过利用样本数据，得到待预测数据的标签
• 对图片的建模，通过对图片区域的Attention，具体用的 Residual Attention Module，大概就是在resnet网络里面得到self Attention的key，value和query
• 对样本数据的建模，用的Conv-LSTM

7. A Deep Cascade Model for Multi-Document Reading Comprehension

• AAAI 2019
• 阿里的文章，阿里小蜜的应用场景，人机对话的
• 多文档阅读理解，问答
• 两个级别的Attention：文档级别和句子级别
• 通过question，对每个文档做Attention，然后对每个句子做Attention，最后提取答案
• 有离线数据测试和在线测试

8. Bias Reduction via End-to-End Shift Learning: Application to Citizen Science

• AAAI 2019
• 人们收集的数据往往带有bias，就是训练集和测试集的分布不一致，这样会导致在测试集上效果很差
• Shift Learning，主要有两种方法：covariate shift和label shift，本文主要讨论前者
• 通过对训练数据加上不同的权重，使得训练结果在测试集上表现好

9. BLOCK: Bilinear Superdiagonal Fusion for Visual Question Answering and Visual Relationship Detection

• AAAI 2019
• Bilinear 融合两个向量表示，例如，，通过一个tensor 把A和B融合为一个长度为k的向量
• BLOCK fusion model，就是把tensor T分块，每一块中每个元素用3个向量相乘相加得到
• 融合后的向量可以用来做多种任务

10. Context-Aware Self-Attention Networks

• AAAI 2019
• Tencent AI Lab
• 方法挺简单，但动机很强
• 传统的self Attention，没有考虑到context信息
• 在Attention的query和key中引入context信息，使得计算出来的Attention weight考虑到了context
• context信息可以是句子的整体表示，或者周围的词，等等

11. Contextualized Non-local Neural Networks for Sequence Learning

• AAAI 2019
• 一种基于Attention的graph Embedding方法做文本任务
• 本文的序列就是句子
• 把每个单词看作node，单词之间有edge，然后动态更新node的表示和edge的权重
• 图的更新过程类似于Attention

12. Deep Interest Evolution Network for Click-Through Rate Prediction

• AAAI 2019
• 阿里的文章，应该是KDD18（DIN）那篇的进一步工作
• 考虑到用户历史序列与当前待预测的item的关系
• 设计了两个层用来提取用户兴趣和考虑到用户兴趣的变化：interest extractor layer和interest evolving layer
• 在interest extractor layer中，用GRU建模，然后引入了一个辅助loss，就是某时刻的h要与下一时刻的输入相似，类似于seq2seq的loss
• interest evolving layer中利用了target item做Attention，具体做法是把Attention与GRU结合起来，Attention值控制了update gate

13. Deep Short Text Classification with Knowledge Powered Attention

• AAAI 2019
• 引入了外部知识库的短文本分类
• 短文本本身用BiLSTM和self Attention建模
• 文本表示对外部知识库做Attention，得到外部知识的表示
• 拼接文本表示和外部知识表示，再得到预测结果

14. DeepDPM: Dynamic Population Mapping via Deep Neural Network

• AAAI 2019
• 动态高解析度的人群分布数据很有用，但是很难得到
• 本文利用低解析度的数据来生成搞解析度的数据
• 同时考虑到了空间和时间上的关系