1. Recurrent Poisson Process Unit for Speech Recognition

• AAAI 2019
• 用RNN结合Poisson Process做语音识别
• 以前的方法都是直接用RNN做的，把信号表示为离散的点

• 本文也是用RNN的hidden state近似Poisson Process的强度，不过是直接计算强度的倒数：

  
  
  强度的计算
• 每个声学的landmark看作一个事件
• 把整段的分为了多个不相交的段，每段是一个独立的Poisson Process

2. Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction

• AAAI 2019
• 下一个地点预测
• 考虑了he spatial dependencies between locations are dynamic和the temporal dependency is not strictly periodic for its dynamic temporal shifting

• 对每个时间的每个区域上的出入流量做多层gated-CNN：

  
  
  gated-CNN

• 然后用LSTM和attention得到整个的表示，整体框架如下：

  
  
  整体框架

3. Scene Text Recognition from Two-Dimensional Perspective

• AAAI 2019
• 场景图片文本识别
• 以前的工作都是把图片当做一个一维的序列来识别文本

• 本文把图片考虑成二维的了：

  
  
  二维
• 通过在CNN上做attention的方式，得到图片上每一个区域的分类（哪个字母）

• 整体框架如图：

  
  
  整体框架

4. Semantic Sentence Matching with Densely-connected Recurrent and Co-attentive Information

• AAAI 2019
• 句子语义匹配
• 整个模型由多个重复的块组成，每个块用RNN结合Attention的方式对两个句子建模，为了输入输出维度一样，每个块之后还接了一层autoencoder

• 整体框架如图：

  
  
  整体框架

5. Session-based Recommendation with Graph Neural Networks

• AAAI 2019
• 用GNN过session-based推荐
• 用session的item表示得出用户的表示，用此来得到下一个物品的推荐

• 图的节点就是item， 连续出现过的item之间建边，得到connection matrix，如图：

  
  
  connection matrix

• 然后利用类似RNN的方式得到每个节点的表示：

  
  
  得到节点表示

6. Graph Convolutional Networks for Text Classification

• AAAI 2019
• 用GNN做文本分类
• 每个单词和每个文档一起作为图中的节点

• 建边如图：

  
  
  建边

• 建好图之后计算方式也比较简单：

  
  
  计算过程，adjacency matrix A of G and its degree matrix D

7. Text Assisted Insight Ranking Using Context-Aware Memory Network

• AAAI 2019
• 自动从多维的表格中提取出有用的信息是很有用的一个工作

• Insight Ranking，“insight” 的意思是表格的一个“部分总结”，例如：

  
  
  表格
  
  
  insight
• 但是一个表格可能有很多个“insight”， 所以本文的工作是对多个“insight”排序，更有用的放前面

• 整体框架如图：

  
  
  整体框架