成都preKDD总结报告--罗菡

hluo

                                                                                       KDD-China2018参会总结

        此次参加会议受益匪浅，见识了很多来自工业界和学术界优秀的论文，其中不乏idea新颖，工作意义大。人工智能已经涉及到了让城市，生活智能化的方方面面。我只能说，对于智能化，只有你想不到的点。京东的无人仓库拣货、无人车无人机送货，百度的搜索+信息流双引擎, 阿里巴巴的推荐算法改进，腾讯的文本处理都是最前沿的人工智能应用，可以说商业化是催动人工智能研究发展的最大推力。除了这些顶级的互联网公司，还有一批传统行业公司在寻求+AI的升级，提高用户体验才能不被时代淘汰。例外公共事业方面也在努力引入智能化，让城市智能化为大众服务，为政府工作服务。接下来就具体介绍一篇个人认为很有价值的论文。
      《 Arbitrary-Order Proximity Preserved Network Embedding》任意阶相似度保留的网络嵌入，第一眼看到这篇论文的名字就被惊艳到了，因为读过的一些embbeding论文里很少有提及保留超过2阶相似度的（当然很有可能是自己读的不多）。这篇论文提到，高阶相似度在捕获网络的底层结构中起着关键作用，但是过去高阶相似度保留的研究中主要存在两方面问题：一是所有方法都只能保存固定阶相似度；二是在固定阶相似度的保留上，现存方法都不能同时保证准确性和效率。为了解决这些问题论文中就提出一种基于SVD框架的新型网络嵌入方法AROPE（任意阶相似度保留嵌入），什么是SVD？SVD即奇异值分解，与特征分解一个原理，唯一的区别就是特征分解只能应用于方阵，而SVD可以应用于任何一个矩阵。任意一个M*N的矩阵A（M行*N列，M>N），可以被写成三个矩阵的乘积：
        1. U：（M行M列的列正交矩阵）
        2. S：（M*N的对角线矩阵，矩阵元素非负）
        3. V：（N*N的正交矩阵的倒置）
       即 A=U*S*V'（注意矩阵V需要倒），S是个对角线矩阵，每个元素非负，而且依次减小，从几何意义上来说，此值和特征向量中的特征值的权重有关。那么取S中的前r个元素就代表取矩阵S权重排名前r名的特征向量，U和V的维度跟着改变，用降维后的*U，*S，*V来相乘得到A2，A2和A很接近，那么SVD就可以看成一种数据的有损压缩。SVD在线性代数中与矩阵分解可以通过公式转换，所以利用SVD达到网络任意阶相似度保留进而转换成为通过矩阵分解做到。
       无向网络A的q阶相似度保留被定义为了对应邻接矩阵A的一个函数：
      
       而在矩阵的特征值分解中：
      
       该定理表明，在不对S进行特征分解的情况下，我们可以通过用F（λ）代替λ，从A的特征分解结果得到S的特征分解结果。 实际上，该定理揭示了不同阶数的相似度之间的内在联系。 如果我们将每个特征向量视为网络中节点的“坐标”，并将每个特征值视为“权重”。那么保留不同阶的相似度相当于重新对维度进行权重调整。
       也就是说我们对于矩阵A的任意阶相似度保留可以转换为对矩阵S的低阶相似度保留，如公式所示，对A的前r名权重进行F（λ）的计算后不一定保证得到的值就是S的前r名权重，所以论文提出是对A的前m名权重进行F（λ)，其中m>r,前m名权重中有r名权重>0，再对F（λ)的结果排序，选出权重前r名的特征值，而这些特征值对应矩阵S奇异值分解的这些特征向量就是矩阵A的i阶相似度（0<i<任意阶q），所以要保留多个高阶相似度时，就需要对这个过程进行循环。（文字所限，估计说得不是很清楚，有兴趣可以读原文）
       有意思的论文还有很多，比如摩拜公司出的通过自行车运行轨迹预测街道是否堵车的论文，清华大学团队对于预测下一时间段用户打车需求，进而调整出租车分布情况的论文，西南交通大学运用人工智能于城市空气污染情况实时预测的研究，都让人觉得人工智能真的在强有力的改变着我们的生活。最后发现此次KDD接收的不少论文来自于工业界，高校里出的论文很多也与企业进行了合作，企业的数据资源应该是一个重要因素。