百度大脑国际顶会再绽锋芒，10篇论文强势入选

局部社区发现旨在找到一组包含给定查询节点的密集连接节点集（局部社区）。大多数现有的局部社区发现方法都是为单个图结构设计的。但是，单个图可能包含噪声与干扰数据且信息不完整。 相比之下，多个相关的图结构在实际应用中能够提供更多的信息。在多个相关的图结构中，有多种类型的节点和多种类型的节点连接关系。来自不同图的补充信息有助于提高局部社区发现的准确性。

论文中，百度提出了一个新的多图中的随机游走模型 (RWM)。 给定一个图中的查询节点集，RWM能够查找所有图结构中的相关局部社区。 RWM 在每个图结构中都发出一个随机游走者以获得相对于查询节点的相似度度量（即节点访问概率）。 具有相似访问概率的游走者会彼此影响。新方法可以将概率传播限制在查询节点的局部范围，以标识每个图结构中的相关子图。与此同时，RWM能够忽略多图中不相关的部分。百度为 RWM提供了严格的理论基础，并开发了两种具有性能保证的加速策略。百度研究团队在合成和真实数据集上进行了全面的实验，验证了RWM的有效性和高效率。

论文10：Dual Channel Hypergraph Collaborative Filtering

关键词：协同过滤，双通道，超图

协同过滤是当今众多推荐系统算法中最流行和最重要的推荐方法之一。现有的基于协同过滤的算法，从矩阵分解到最近出现的基于图的方法，虽然已经得到了广泛的应用，但在训练数据有限的情况下性能较低。论文中，百度研究团队首先指出导致性能较差的原因，即：(1)用户和物品建模不灵活；(2)高阶关联建模不足。

在这种情况下，百度提出了一个双通道超图协同过滤框架来解决上述问题。首先，引入了一种整体利用分治思想的双通道学习策略，来学习用户和物品的表示，以使得这两种类型的数据可以优雅地相互连接，同时仍然保持它们的特定属性。其次，使用超图结构来显式建模混合高阶用户和物品的高阶关联。百度研究团队进一步提出了跳跃超图卷积方法来支持超图上显式、高效的嵌入传播。在两个公开数据集和两个新的真实数据集上的综合实验表明，与其他先进的方法相比，百度所提出的双通道超图协同过滤方法可以取得显著且一致的性能提升。

（编辑：应用网_阳江站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!