1. WhatWe Vote for? Answer Selection from User Expertise View in Community Question Answering

• WWW 2019
• 做社区问答中问题的答案选择（排序），考虑到了回答者对答案选择的影响

• 主要动机：大多数问题下面的答案的点赞数很少，所以不能直接用来按点赞数排序（所以他在数据集处理中，去掉了所有答案的点赞数都很少的问题），统计数据如下图：

  
  
  问题答案数点赞数的分布
• 以前的方法都主要考虑问题和答案的匹配，本文还考虑了问题和回答者的匹配，也就是回答者的专业度
• 具体方法分两部分，一个是问题-答案的匹配分数，另一个是问题-用户的匹配分数

• 两者的匹配分数都是先得到两者的向量表示，然后用双线性方式得到分数，具体如下图：

  
  
  q-a和q-u的双线性匹配
• 用户的表示就是user Embedding
• 问题的表示，对每个单词用LSTM和self Attention得到
• 答案的表示，把文本分为句子和单词两层，每层的表示都是用LSTM和Attention得到，Attention用了user和question作为query
• 训练方式是pair wise的，learning to rank
• 数据用了他们自己爬的Quora数据和公开的StackOverflow数据
• 实现代码公开了：https://github.com/Sunshine1007472173/UEAN
• 做了很多可视化的实验，看上去很厉害

2. Disjoint Label Space Transfer Learning with Common Factorised Space

• AAAI 2019
• 不同label空间的迁移学习：例如VGG这样的，学习训练参数的时候用的他们的数据和label，别人用的时候用的不同的数据和不同的label
• 本文讨论了两个问题：不同label空间的迁移学习（DLSTL）和无监督领域自适应（UDA）
• DLSTL：在原来的数据和label上训练好的参数，预测目标数据的label，目标数据有训练数据作为监督
• UDA：在原来的数据和label上训练好的参数，预测目标数据的label，目标数据没有监督数据

• 整体框架图：

  
  
  整体框架图
• 训练时候，把数据提取出一个二值的向量作为限制

3. DRr-Net: Dynamic Re-read Network for Sentence Semantic Matching

• AAAI 2019
• 句子语义匹配
• 本文认为，理解一个句子，需要多遍的阅读，随着理解的深入，每次每个单词的重要性不一样，而传统的Attention模型没有考虑到这点
• 所以本文提出了这个方法：Dynamic Re-read Network

• 整体框架图：

  
  
  整体框架图-两个句子做语义匹配
• 其实就是GRU和Attention合起来做一层，然后多堆几层

4. Hashtag Recommendation for Photo Sharing Services

• AAAI 2019
• 图片分享平台的hashtag推荐：用户发布一张图片时候，自动给用户推荐tag
• 分享一个图片时候，一般都有文本描述，所以本文是一个对图片+文本+用户建模的方法

• 整体框架图：

  
  
  整体框架图
• 对文本和图片用LSTM+coAttention建模
• 对用户，收集了用户历史发布记录，用来做memory，然后Attention得到用户表示

5. Hierarchical Context enabled Recurrent Neural Network for Recommendation

• AAAI 2019
• 用RNN做session based next item推荐

• 改了LSTM里面的门控，提了3种修改方案

  
  
  修改的LSTM
• 动机、理由和实验都说的很多

6. Interaction-aware Factorization Machines for Recommender Systems

• AAAI 2019
• 改进FM，普通的FM对field和feature方面的交互重要性都看作一样的
• 本文改了一下式子，使得这两个地方的权重都是可以自动学习出来的（类似于Attention和计算相似度）

7. Joint Representation Learning for Multi-Modal Transportation Recommendation

• AAAI 2019
• 百度地图的文章
• 给定起始点和终点，给用户推荐交通工具：走路、骑车还是地铁等等
• 不同的用户和不同的地点对交通工具的选择是有影响的
• 以前的工作都是针对一类交通工具的路径推荐
• 本文认为，确定了交通工具，然后再确定路径是很容易的问题了，所以本文考虑的是怎么推荐最合适的交通工具
• 本文认为这个问题的3个挑战：1. 交通工具的多样性； 2. 历史数据中用户反馈不明确； 3. 数据很稀疏。

• 具体做法：先构图，如下图：

  
  
  构图
• 然后用network Embedding的方式，把用户、地点、交通工具都做Embedding