1
| 本文作者： 章敏 | 2016-08-18 18:38 |
聯合編譯：章敏，高斐
導讀：KDD2016是首屈一指的跨學科會議，它聚集了數據科學，數據挖掘，知識發現，大規模數據分析和大數據方面的研究人員和從業人員。文章結尾附論文原文網盤下載鏈接
本獎項頒給過去十年KDD會議中，已經在數據挖掘研究界產生重要影響杰出論文的作者。
獲獎者：
Jure Leskovec (Stanford) ；
Jon Kleinberg (Cornell University）
Christos Faloutsos (Carnegie Mellon University)
意義：本文在現實世界的圖形和網絡隨著時間推移，如何增長并發展方面提出了新的發現。這些發現從根本上塑造了我們對于現實世界網絡的演變和增長的理解，并在許多領域刺激出了豐富的在線測量、建模結構和網絡進化方面的研究。
本文研究了一些不斷發展的現實世界網絡，并確定了兩個網絡增長的法則：（1）致密化冪律（the Densification Power Law），和（2）縮徑原理（the Shrinking Diameter Principle）。致密化冪律發現，在網絡中邊緣的數目的增長是網絡中節點的數目增長的動力（例如，兩倍數目的節點，三倍數目的邊緣）。縮徑原理發現，網絡的直徑通常會隨著網絡中節點的數量而收縮。這兩個發現被提出時，與我們所認為的網絡演變有著本質的不同：傳統的認知是，隨著時間的推移，平均度保持不變，網絡直徑慢慢隨著節點的數量而增長。
目前沒有網絡進化模型能夠捕捉到所觀察到的經驗模式，因此本文同樣提出了一系列的網絡增長模型，包括“Forest Fire”模型，它生成的圖形展示出了致密化冪律，收縮直徑，以及其他基本的圖形屬性，包括強大的聚類和傾斜度分布。
摘要：真實圖表如何隨著時間的推移而發展？在社會，技術和信息網絡中，什么是“正常”的增長模式？許多研究已經發現了靜態圖中的模式，在一個大的單一網絡快照，或在一個非常小數量的快照中確定屬性；這些包括in-和out度分布沉重的尾部，社區，小世界現象，和其他的屬性。。然而，由于缺乏在很長時間中段網絡演化的信息，一直很難將這些研究結果轉化為觀點——隨著時間推移的趨勢。我們研究了大量的真實圖形，而且觀察到一些令人驚訝的現象。首先，大多數這些圖的密度隨著時間的推移增加，隨著邊緣數目增加節點的數量呈超線性增長。其次，節點之間的平均距離往往會隨著時間的推移而收縮，這與傳統的認識（這樣的距離參數應該是隨著節點數量緩慢增加的函數（like O（log n）或O（log（log n）））相反。現有的圖形生成模型即使在定性水平，也不會表現出這種類型的行為。我們提供了一個新的圖形生成器，它基于“forest fire”的傳播過程，具有簡單、直觀的理由，只需要很少的參數（如“flammability”節點），且產生的圖形在前期工作和本研究中，都顯示出了最高等級的屬性觀察。
本獎項頒給在數據科學、機器學習和數據挖掘領域做出杰出貢獻的研究生。
審查標準：
·KDD相關知識的論文
·論文主體思想是獨創性的
·具有科學貢獻意義
·論文技術深度且可靠性（包括實驗方法、理論結果等）
·論文的總體呈現和可讀性高（包括組織、寫作風格和闡述等）
獲獎者：
Danai Koutra (student) and Christos Faloutsos (advisor) at Carnegie Mellon University
摘要：圖表代表網頁之間不同鏈接的信息，連接我們大腦中相鄰的神經元，并經常跨越數十億節點。在這海量的數據中，我們如何才能找到它最重要的結構？我們如何檢測到關鍵的事件，如計算機系統受到攻擊，或在人類大腦中疾病的形成？本文中舍棄了（I）的可擴展性、原則性算法（結合全球化與地區理解圖形），而且（ii）應用在兩方面：
·單個-圖表的探索：我們展示了如何總結圖的重要結構，且進行補充與推理（利用一些先前的信息和網絡結構有效地了解所有實體的信息）。
·多個圖形的探索：我們總結了模式發現的時空圖思想。我們還認為，在許多有著多圖標的應用程序中相似性是子問題，并促進了網絡對齊與相似性方法的發展。
我們已經將我們的方法應用到了大量的數據中，包括一個有66億邊緣的2Web圖，一個有18億邊緣的Twitter圖，和有9000萬個邊緣的腦圖。
摘要：搜索引擎在我們日常生活中起著至關重要的作用。而相關性是商業搜索引擎的核心問題。它吸引了來自學術界和工業界的數千名研究人員，并已進行了幾十年的研究。現代搜索引擎中相關性已經遠遠超越了文本匹配，且現在面臨巨大的挑戰。查詢和URLs之間的語義分歧是提高基礎相關性的主要障礙。點擊有助于提供提示，以提高相關性，但不幸的是對于大多數尾部查詢，點擊信息太稀疏，嘈雜，或完全丟失。對于綜合相關性，結果的新近和位置敏感性也很關鍵。本文中，我們給出了雅虎搜索引擎中相關性解決方案的概述。我們介紹了三個關于基本相關性的關鍵技術：排序函數、語義匹配特征和查詢重寫。我們還描述了對于近因敏感相關性和位置敏感相關性的解決方案。這項工作建立在Yahoo搜索現有20年努力的基礎之上，總結了最新的進展，并提供了一系列實際相關性的解法。報告的性能基于Yahoo的商業搜索引擎，其中有數百億的URLs通過排名系統索引和服務。
Dawei Yin
機構:JD.COM研究主任
研究方向：機器學習，算法，數據挖掘， 模式識別等
摘要：在智能私人助理方面，一種新的建議形式正在興起如Apple’s Siri、Google Now和 Microsoft Cortana，它們可以“在恰當的時間推薦恰當的信息”，并積極主動地幫助你“把事情解決”。這種類型的推薦需要精確的跟蹤用戶當時的意圖，即，用戶打算知道什么類型的信息（例如，天氣，股票價格），和他們打算完成什么任務（例如，演奏音樂，打車）。用戶的意圖與語境是密切相關的，其中包括外部環境，如時間和地點，以及用戶的內部活動（可以由個人助理感覺到）。語境和意圖之間表現出復雜的共同發生和序列相關，且語境信號也非常混雜、稀疏，這使得建模語境—意圖之間的關系，變成了一項具有挑戰性的任務。為了解決意圖跟蹤問題我們提出了Kalman filter regularize PARAFAC2 (KP2) 實時預報模型，它可以細密的表示語境和意圖之間的結構和共同運動。KP2模型在用戶上利用了協同能力，并學習每個用戶的個性化動態系統，以確保高效的實時預測用戶意圖。大部分實驗使用了來自商業個人助理的真實世界數據集，結果顯示KP2模型明顯優于其它的所有方法，且在個人助理中部署大規模的主動建議系統方面，提供了鼓舞人心的啟示。
Yu sun
學校：墨爾本大學計算與信息系統系
研究方向：語境行為挖掘，強化學習，最優位置發現，空間/時間索引，算法設計/分析。
更多論文資訊：
·A Contextual Collaborative Approach for App Usage Forecasting,（UbiComp, 2016）
·Reverse Nearest Neighbor Heat Maps: A Tool for Influence Exploration,（ICDE，966-977,，2016）
摘要 ：根據用戶和他們評論的產品，或跟隨者與被跟隨者的偶圖信息，我們應當如何識別虛假評論或跟風評論？現存的欺詐檢測方法（譜檢測等）試圖識別結點的密集子圖表，這些結點與保留下來的圖表保持較少的聯系。這些欺詐者能夠使用“偽裝”手段，即通過用真誠的目標增添評論或跟隨評論，并使得這些評論看起來“常態化”來規避這些檢測方法。更為糟糕的是，有些欺詐者利用誠實用戶的“黑客賬戶”，這種偽裝手段確實是有組織的。我們研究的聚焦點在于發現以偽裝手段或黑客賬戶存在的欺詐者。我們提出FRAUDAR，一種用于(a)抵制偽裝手段，(b)提供欺詐者有效性的上限，(c)能夠有效應用于真實數據的算法。各種各樣攻擊條件下獲得的實驗結果表明，FRAUDAR在檢測偽裝性欺詐和非偽裝性欺詐的精度方面都優于其最大競爭算法。此外，在運用推特跟隨者-被跟隨者14.7億邊緣圖表的真實實驗中，FRAUDAR成功地檢測出一個包括4000多被檢測賬戶的子圖表，其中大多數擁有推特賬戶的人表示他們用的是跟隨者購買的服務。
Bryan Hooi
學校：卡耐基梅隆大學機器學習系與統計學系博士，
研究方向：圖與時間序列異常檢測。
學術成果：
·A General Suspiciousness Metric for Dense Blocks in Multimodal Data. IEEE International Conference on Data Mining (ICDM), 2015.
·Matrices, Compression, Learning Curves: formulation, and the GROUPNTEACH algorithms. PAKDD 2016.
摘要：全動態圖表以邊緣插入與刪除的一個敵對流的形式得以呈現，在這樣一種全動態圖表中我們對全局三角形和局部三角形的數量進行計數（即由事件到每個頂點），對于最終的三角形數量我們提出TRIEST,一套一通流算法計算其無偏、低方差、高質量近似值。我們的算法一直運用存儲的樣本及其變形，以實現利用用戶專門存儲容量。這種算法與要求運用難以選擇的參數（例如，一個固定樣本概率），并且不能保證其運用的存儲數量的先前使用的算法形成鮮明對比。我們分析估計值得方差，所得結果顯示出對這些數量新的集中限制。我們基于超大圖表的實驗結果證實了，TRIEST在精度上超過目前的最優算法，并且展示出小型更新時段。
Lorenzo De Stefani
學校：布朗大學計算機科學系博士。
學術成果：
·Reconstructing Hidden Permutations Using the Average-Precision (AP) Correlation Statistic（AAAI 2016: 1526-1532）
ACM SIGKDD非常高興宣布PHILIP S.Yu獲得2016年創新獎，Yu在大數據挖掘，融合及匿名化領域的研究做出了科學貢獻，并產生了深遠影響。
ACM SIGKDD創新獎是知識發現與數據挖掘(KDD)領域的最高技術成就獎，該獎項主要授予在KDD領域做出杰出技術創新，并為推動該研究領域的理論與實踐發展產生長期影響的個人或團隊。這些個人或團隊的科學貢獻已經對研究方向與該領域的發展產生重大影響，或者對研究成果的實際應用帶來重大革新，并對商業體系的發展起到推動作用。
多年以來，PHILIP S.Yu對制定KDD大會的準則與數據挖掘做出了突出的貢獻，并受到一致認可。在“大數據”這一術語在近幾年流行起來之前，Yu對于大數據相關問題的研究已經由來已久，研究期間，已經發表了900多篇論文，文章引用次數達到73,000次，為知識發現各相關領域，其中包括頻繁模式挖掘、聚類、分類、異常檢測、推薦、特征提取、相似性搜索、垃圾郵件檢測和數據匿名化等，做出了重大貢獻。其研究主要聚焦于挖掘非常規類型的數據，包括數據流，圖像/網絡，及文本。關于數據流挖掘，其主要貢獻表現在實時捕捉概念漂移，在圖像/網絡挖掘方面，其貢獻表現在利用數據或聯系的結構框架，這些結構框架在本質上是潛在或不斷演變發展的，在這些實體對象中，網絡是由各種不同類型的連接和結點構成。為了在大數據時代更好地探索各種數據的可利用性，Yu近來更多的研究是關于多資源學習，主要是指對于從多種資源獲取的數據進行融合，包括多視角數據和多模態數據，其研究在多方面得到實踐應用，應用領域包括社會網絡，電子商務，健康與大腦信息學及智能城市等。
Yu博士獲得過許多著名的獎項，其中包括為大數據可擴展的索引、查詢、搜索、挖掘及匿名做出突出貢獻并帶來革新而頒發的2013年IEEE計算機協會技術成就獎，和為其在數據挖掘領域做出開拓性貢獻而頒發的2003年IEEE ICDM研究貢獻獎。他發表的論文也獲得了ICDM 2013年10年最高影響論文獎，和EDBT時間測試獎(2014)。
Yu博士是ACM與IEEE研究員。他是ACM數據知識發現學報主編，是IEEE知識與數據工程學報主編(2001-2004)。
Yu博士獲得國立臺灣大學E.E學士學位，斯坦福大學E.E碩士與博士學位，及紐約大學M.B.A學位。
前SIGKDD創新獎獲得者如下： Rakesh Agrawal, Jerome Friedman, Heikki Mannila, Jiawei Han, Leo Breiman, Ramakrishnan Srikant, Usama M. Fayyad, Raghu Ramakrishnan, Padhraic Smyth, Christos Faloutsos, J. Ross Quinlan, Vipin Kumar, Jon Kleinberg, Pedro Domingos, and Hans-Peter Kriegel。
SIGKDD創新獎包括一塊徽章和一張2,500美元的支票，在舊金山于8月14日星期日，在第22屆ACM SIGKDD知識發現與數據挖掘(KDD-2016)國際大會上頒發。在頒獎典禮結束后，Yu博士將開始創新獎演講。
ACM SIGKDD非常高興宣布Wei Wang獲得2016年服務獎，該獎項用來表彰其在數據挖掘領域基礎與實踐方面做出的卓越技術貢獻及其為數據挖掘協會做出的杰出服務。
ACM SIGKDD服務獎是知識發現與數據挖掘(KDD)領域最高服務獎，該獎項主要頒布給為知識發現與數據挖掘領域做出突出專業服務與貢獻的個人與團體。
長期以來，Wei Wang一直服務于數據挖掘領域，以促進該領域的長足發展。作為數據挖掘領域世界級領軍研究者，多年來她擔任重點數據挖掘會議的核心組織者，其中包括ACM KDD，ICDM，SIAM數據挖掘，也曾在100多個項目委員會任職。此外，她擔任過無數個頒獎委員會的主席，是ACM數據知識挖掘學報，IEEE知識與數據工程學報，知識與信息系統，數據挖掘與知識發現，IEEE大數據學報助理編輯。
此外，Wei Wang是將數據挖掘方法應用到生物醫藥領域的先驅科學家。繼首屆生物信息學，計算機生物學，生物醫學信息學ACM大會召開以來，她曾擔任該大學核心組織者。她也曾在其他高級生物信息學大會，如ISMB，RECOMB與BIBM，項目委員會任職，也曾擔任IEEE/ACM計算機生物學與生物信息學學報的助理編輯。鑒于其在跨學科領域的領導才能，與2015年當選為生物信息學，計算機生物學與生物醫學信息學ACM特殊利益團體董事會成員。
Wei Wang 一直以來全身心投入到征募，啟發并提升年輕研究者的事業中，特別是那些女性群體與少數民族群體。為了增加學生，尤其是女性學生和少數民族學生，參加高級會議的機會，她率先將NST基金用于支持學生旅行獎學金，該獎學金金額是過去的五倍，使得成百上千名學生能夠有機會出席這些會議。
她在ACM BCB會議上努力提升女性在計算機科學領域的地位，該大會以著名女性學者的主要演講，女性教師和學生的促進研究的論壇，及為女性學生頒發旅行獎學金為主要特色。
Wei Wang在賓漢姆頓大學獲得碩士學位，在洛杉磯加利福尼亞大學獲得博士學位。目前，她是洛杉磯加利福尼亞大學教授，同時擔任該大學可擴展分析研究所和美國國立衛生研究院BD2K中心-協調中心的聯合負責人。Wei Wang對聚類高緯度數據，序列模式挖掘及圖像挖掘領域做出了杰出貢獻。她是被稱為將數據挖掘方法應用到生物醫藥領域的先驅科學家，曾發表過150多篇研究論文，其中有兩篇獲得最佳論文獎。她在數據挖掘研究領域的貢獻受到極大程度的認可，獲得NSF事業獎，稱為微軟研究院研究員，獲得菲利普和魯思赫特爾曼藝術與學術成就獎，奧卡瓦基礎研究獎和CDM杰出服務獎。
14名前SIGKDD服務獎獲得者如下：Gregory Piatetsky-Shapiro, Ramasamy Uthurusamy, Usama Fayyad, Xindong Wu, The Weka team, Won Kim, Robert Grossman, Sunita Sarawagi, Osmar R. Za?ane, Bharat Rao, Ying Li, Gabor Melli, Ted Senator, and Jian Pei。
該獎項包括一枚徽章和一張2,500美金的支票，將在舊金山于8月14日星期日，第22屆ACM SIGKDD知識發現與數據挖掘(KDD-2016)國際大會上頒發。
via：KDD2016 Awards
原論文下載：百度網盤
PS : 本文由雷鋒網獨家編譯，未經許可拒絕轉載！
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
