近期，菠菜平台高瓴人工智能学院4篇师生论文被国际顶级期刊聚会会议（CCF A）录用。CCF是中国盘算机学会的简称。CCF A类期刊聚会会议指国际上少少数的顶级刊物和聚会会议，其中SIGMOD是数据库领域最顶级的国际聚会会议，IJCV是盘算机视觉领域的国际顶级期刊；TKDE是中国盘算机学会推荐的A类期刊。TOIS是中国盘算机学会推荐的“数据库/数据挖掘/内容检索”领域的A类国际学术期刊。

SIGMOD（1篇）

2021年国际数据治理大会（ACM SIGMOD International Conference on Management of Data）将于2021年6月20日-6月25日于线上召开。SIGMOD是中国盘算机学会（CCF）推荐的A类国际学术聚会会议，是数据库领域最顶级的聚会会议，中国大陆高校历年以第一单元身份发表的论文数量一般不凌驾10篇。

论文介绍

论文题目：Unifying the Global and Local Approaches: An Efficient Power Iteration with Forward Push

作者：Hao Wu,Junhao Gan,魏哲巍,Rui Zhang

通讯作者：魏哲巍，Junhao Gan

论文概述：Personalized PageRank作为一种被广泛使用的权衡节点邻近度的怀抱方式，吸引了众多研究者的目光。本篇论文重点关注单源PPR的近似、精确盘算问题，首先从理论层面革新了单源PPR盘算的代表性要领Forward Push的理论庞大度下界，而且提出了一种更为高效的算法Power Iteration以进一步提升单源PPR精确盘算的效率。此外，本篇论文针对单源PPR的近似盘算问题，提出了算法SpeedPPR，凌驾了目前最优的近似算法FORA的时间庞大度。同时，本篇论文还进行了大量的实验以验证理论正确性和算法效率，实验结果讲明，本论文所提的两种算法均到达了最优性能体现。

IJCV（1篇）

IJCV，全称为International Journal of Computer Vision，是盘算机视觉领域的国际顶级期刊之一，也是中国盘算机学会认定的人工智能领域四个A类期刊之一，五年影响因子12.38。

论文介绍

论文题目：Transferrable Featureand Projection Learning with Class Hierarchy for Zero-Shot Learning

作者：李傲雪，卢志武，管界超，向滔，王立威，文继荣

通讯作者：卢志武

论文概述：零样本学习希望将已见类的知识迁移到未见类中，以到达在没有未见类别领域训练样本的情况下实现对未见类的识别。这能通过学习图片特征空间和类别语义空间（如属性空间）之间的映射来到达。考虑到已见类和未见类属于两个差异的领域，横亘在两个领域之间的领域间隔是零样本学习当中的一浩劫题。在这篇论文当中，我们提出了一个新型的归纳式零样本学习模型，该模型能够利用超类信息作为桥梁，来减小已见类和未见类之间的领域间隔。具体地，我们首先构建了一个由多个超类层和一个单类层组成的类别条理，这些超类层能够通过在已见类和未见类类名的语义体现上统一进行由数据驱动的聚类而自动生成。接下来我们利用在类别条理中的超类信息从两方面入手解决领域间隔问题：深度特征学习和映射函数学习。首先，为了减小在特征空间的领域间隔，我们在超类上构建了一个循环神经网络，并把该网络嵌入到卷积神经网络当中来增强超类的条理体现能力。其次，为了能够更好地学到关于零样本学习的映射函数，我们利用超类信息提出了一个新型的映射学习要领来对齐两个领域。重要的是，我们所提出的具有强迁移性的特征学习和映射学习要领能够容易地拓展到另一个相关的事情—小样本学习当中。大量实验讲明我们所提出的模型能够在零样本和小样本任务上取得最好的结果。

TKDE（1篇）

TKDE全称IEEE Transactions on Knowledge and Data Engineering ，是中国盘算机学会推荐的A类期刊，主要刊登盘算机科学、人工智能、电子工程、盘算机工程等领域在知识与数据工程偏向的学术论文，影响因子3.857。

论文介绍

论文题目：Looking Back on the Past:Active Learning with Historical Evaluation Results

作者：姚菁，窦志成，聂建云，文继荣

通讯作者：窦志成

论文概述：主动学习对于标注样本有限或者标注成本高的任务来说是一种很是有效的训练方式，而且已经被广泛应用在人工智能的多个领域。主动学习是一个迭代的历程，在每一次迭代中，我们利用当前的模型来评估所有的未标注样本，选取评分最高的样本进行标注并用于更新当前的模型，然后进入下一轮迭代。大多数现有的主动学习算法都只依赖于当前一轮迭代中模型对未标注样本的评价结果来进行样本选择，忽略了之前的评估结果。在本文中，我们提出从历史评估序列中挖掘更多的有效信息来资助更好地选择样本。首先，我们考虑了历史评估序列的两种启发式的特征，即历史评估结果的加权和及历史评估序列的颠簸性。为了更全面地利用历史结果中包罗的信息，我们设计了一个基于学习的选择战略，自动地学习如何基于历史评估序列来选择样本。我们的要领具有很强的通用性，能够和现有的最优选择战略组合使用。我们在两个NLP任务（文天职类和命名实体识别）上进行了实验，结果证明我们的要领能够取得很好的效果。

TOIS（1篇）

The ACM Transactions on Information Systems (TOIS）是由美国盘算机学会（ACM）出书的SCI焦点期刊。该期刊被中国盘算机学会（CCF）推荐为“数据库/数据挖掘/内容检索”领域的A类国际学术期刊。

论文介绍

论文题目：Neural Feature-aware Recommendation with Signed Hypergraph Convolutional Network

作者：陈旭，熊坤，张永锋，夏龙，殷大伟，JimmyHuang

通讯作者：陈旭

论文概述：在推荐系统中，用户的评论信息通常可以更为富厚和细致地反映用户喜好，充实合理地利用评论信息可以越发准确地描述用户画像，进而提升最终的推荐效果。为此，本文设计了一种带有符号的超图网络将用户的评论信息融入到推荐算法当中。首先，本文将用户的评论信息结构化成“（用户，商品，特征，情感）”四元组，并据此构建超图网络，其中“用户-商品-特征”被视为一个超边进行整体建模，而“情感”则被看作是超边的符号。其次，基于构建的超图，本文设计了一种带有符号的超图卷积神经网络，并提出了针对性的信息通报路径以捕捉用户-商品-特征之间的协同过滤信息。最后，本文通过大量的实验证明所提出算法的有效性。