WSDM 2021

点击蓝字

关注我们

#TSer#

会议介绍

WSDM的英文全称是 The International Conference on Web Search and Data Mining，中文意思是国际互联网检索与数据挖掘会议，由SIGIR、SIGKDD、SIGMOD和SIGWEB四个专委会协调筹办，在互联网搜索、数据挖掘领域享有较高学术声誉，被中国计算机协会推荐为B类会议。在清华大学最新发布的新版计算机学科推荐学术会议和期刊列表中，WSDM已被列为准A类学术会议。

今年 WSDM 2021 于北京时间2021年3月8到12号于线上举行。本次大会共接收了 112 篇论文，接收率仅为18.6%，其中Oral 69篇，接受率为11.4%。完整的接收论文列表可以访问原文获取。

本文梳理WSDM 2021有关时间序列领域的最新研究成果，供大家参考。

时间序列

01

预测

时序预测是时间序列领域的经典问题之一。本次WSDM带来了2篇研究

论文标题：Time-Series Event Prediction with Evolutionary State Graph

论文地址：https://arxiv.org/pdf/1905.05006.pdf

论文源码：https://github.com/VachelHU/EvoNet

论文摘要：对时序数据中未来事件的准确且可解释的预测通常需要捕获具有代表性的特征（或称为状态）。为此，大多数现有研究都集中在状态的表示和识别上，而忽略了它们之间不断变化的关系。本文提出了一种叫做“演化状态图”的结构。该结构是一种动态图结构，旨在将时间序列分解，并系统地表示为状态和他们之间随着时间变化的关系。基于此，本文进一步提出了一种新颖的图神经网络模型，即演化状态图网络（EvoNet），对时间序列进行建模分析。本文的实验说明，这种方法不仅可以提升时序的预测能力，同时还可以让模型提供更清晰的解释能力。

论文标题：Long Horizon Forecasting With Temporal Point Processes

论文地址：https://arxiv.org/pdf/2101.02815.pdf

论文源码：-

论文摘要：近年来，显着的时间点过程（MTPP）已作为一种功能强大的建模工具出现了，它可以表征各种应用程序中的异步事件。但是，由于目前设计选择，MTPP通常对遥远的未来事件预测上显示出较差的性能。为了改善这一点，本文设计了DualTPP模型，非常适合长期事件预测。DualTPP有两个成分。第一个组件是无强度的MTPP模型，通过对时间进行建模来捕获微观事件动态。第二个组件采用了不同的双重视角，即在给定的时间窗口中对事件的总数进行建模，从而封装了宏观事件动态。然后通过求解约束二次优化序列，在两个模型上共同开发了一个新颖的推理框架。

02

分类

时序分类是时间序列领域的经典问题之一。本次WSDM带来了1篇研究

论文标题：Explainable Multivariate Time Series Classification: A Deep Neural Network Which Learns To Attend To Important Variables As Well As Time Intervals

论文地址：https://arxiv.org/pdf/2011.11631.pdf

论文源码：-

论文摘要：时间序列数据在各种现实应用中都很普遍，它需要可信赖且可解释的模型，以使人们理解并完全信任AI解决方案做出的决策。本文考虑从多元时间序列数据中建立可解释的分类器的问题。理解此类预测模型的关键标准包括阐明和量化随时间变化的输入变量对分类的贡献。因此，本文引入了一种新颖的，基于模块的，基于卷积的特征提取和关注机制，该机制可同时识别确定分类器输出的变量和时间间隔。

03

异常检测

时序异常检测在产业界应用很广。本次WSDM带来了2篇研究

论文标题：F-FADE: Frequency Factorization for Anomaly Detection in Edge Streams

论文地址：https://arxiv.org/pdf/2011.04723.pdf

论文源码：http://snap.stanford.edu/f-fade/

论文摘要：边缘流通常用于捕获动态网络（例如电子邮件，社交网络或计算机网络）中的交互。检测边缘流中的异常或稀有事件的问题具有广泛的应用。然而，由于缺乏标签，交互的高度动态性以及网络中时间和结构变化的纠缠，它提出了许多挑战。在这里，本文提出了F-FADE模型，这是一种检测边缘流中异常的新方法，它使用一种新颖的频率分解技术来有效地建模节点对之间交互频率的时间演化分布。然后基于观察到的每个传入交互的频率的可能性来确定异常。F-FADE能够在在线流处理中处理随时间和结构变化而引起的各种异常，同时仅需要恒定的内存。

论文标题：FluxEV: A Fast and Effective Unsupervised Framework for Time-Series Anomaly Detection

论文地址：-

论文源码：-

论文摘要：

时空网络

时空预测在交通预测，用户行为预测，多因子气象预测等领域应用广泛。本次WSDM带来了2篇研究

论文标题：Modeling Inter-station Relationships with Attentive Temporal Graph Convolutional Network for Air Quality Prediction

论文地址：-

论文源码：-

论文摘要：-

论文标题：Predicting Crowd Flows via Pyramid Dilated Deeper Spatial-temporal Network

论文地址：-

论文源码：-

论文摘要：-

时空知识图谱

时空知识图谱在原有知识图谱上，考虑时间先后的知识变迁。本次WSDM带来2篇研究

论文标题：Temporal Cross-Effects in Knowledge Tracing

论文地址：-

论文源码：-

论文摘要：-

论文标题：Learning Dynamic Embeddings for Temporal Knowledge Graphs

论文地址：-

论文源码：-

论文摘要：-

顺序推荐

分析用户购买行为的先后顺序是推荐系统的一大方向。本次WSDM带来了2篇研究

论文标题：Sparse-Interest Network for Sequential Recommendation

论文地址：https://arxiv.org/pdf/2102.09267.pdf

论文源码：-

论文摘要：顺序推荐中的最新方法着重于从用户的行为序列中学习下一个推荐的整体嵌入向量。但是，通过经验分析，我们发现用户的行为序列通常包含多个概念上不同的项目，而统一的嵌入向量主要受一个人最近的频繁动作的影响。因此，如果概念上相似的项目在最近的交互中不占主导地位，则可能无法推断出下一个首选项目。为此，替代解决方案是用编码用户意图的不同方面的多个嵌入矢量来表示每个用户。尽管如此，最近有关多兴趣嵌入的工作通常考虑通过聚类发现的少量概念，这可能无法与真实系统中的大量项目类别相提并论。有效地建模大量不同的概念原型是一项艰巨的任务，因为项目在概念上往往没有很好的细粒度地聚类。此外，一个人通常只与一组稀疏的概念进行交互。有鉴于此，本文提出了一种新颖的SINE模型进行顺序推荐的方法。本文提出的稀疏兴趣模块可以从大型概念库中为每个用户自适应地推断出一组稀疏概念，并相应地输出多个表示。给定多个兴趣表示，本文将开发一个兴趣汇总模块，以主动预测用户的当前意图，然后使用它显式地对多个兴趣进行建模，以进行下一个项目的预测。在

论文标题：Temporal Meta-path Guided Explainable Recommendation

论文地址：https://arxiv.org/pdf/2101.01433.pdf

论文源码：-

论文摘要：本文利用精心设计的连续项目之间的项目-项目路径建模和注意机制，对动态知识图上的动态用户-项目演进进行顺序建模，以提出可解释的建议。与使用重型递归神经网络对时间信息进行建模的现有工作相比，本文提出了一种简单而有效的神经网络来捕获用户的历史物品特征和基于路径的上下文来表征下一个购买的物品。