Paper 研习社新功能上线啦！
大家除了浏览或者参与论文推荐，还可以一键打包下载论文合集，针对长期更新的论文合集，你能通过系统消息第一时间收到更新的通知，让你的科研的道路上，绝不慢人一步！
点击链接迅速跳转论文集下载界面:
https://paper.yanxishe.com/library
「本周论文推荐精选」是 Paper 研习社推出的全新栏目，展现社友们在研习论文的过程中，推荐自己所阅读到的优秀论文，帮助大家一起学习、讨论每个领域最新、最精彩的学术论文。
①
#机器学习#
《图上弱相关数据的张量补全用于地铁客流预测》
推荐理由：
由于张量数据无处不在，低阶张量分解和完成引起了学术界的极大兴趣。但是，低秩结构是全局属性，如果在给定特定图结构的情况下数据呈现复杂而弱的依存关系，则将无法实现该属性。时空数据分析是激发这项研究的一个特殊应用。如初步研究所示，弱依赖关系可能会使低秩张量完成性能恶化。在本文中，我们通过引入L1范数惩罚和图拉普拉斯惩罚来建模对图的弱依赖关系，提出了一种新的低阶CANDECOMP / PARAFAC（CP）张量分解和完成框架。我们进一步提出了一种基于块坐标下降的有效优化算法，以进行有效估计。根据香港地铁的客流数据进行了案例研究，以证明与常规张量完成方法相比，性能有所提高。
论文链接：
https://paper.yanxishe.com/review/7775
推荐人：IloveNLP（华东师范大学计算机科学与技术系，中国科学院大学 客座学生）
②
#自然语言处理# #知识图谱#
《基于神经元交互的神经机器翻译表示合成》
推荐理由：
最近的NLP研究表明，大量的语言信息可以归因于单个神经元，即神经元。例如表示向量的各个维数。
假设模拟神经元之间的强相互作用有助于更好地捕捉复杂信息，方法是组合嵌入在单个神经元中的语言属性。从这一直觉出发，作者提出了一种新的方法来组成在神经机器翻译(如多层网络或多头注意)中由不同组件学习的表示，基于建模的强大相互作用的神经元在表示向量。
文中利用双线性池来建立单个神经元之间成对的乘法交互作用模型，并利用低秩近似使模型在计算上可行。作者进一步提出了扩展双线性池纳入一阶表示。在WMT14的英-德和英-法翻译任务上的实验表明，作者的模型在SOTA转换器基线上持续改进性能。进一步的分析表明，此方法确实捕获了更多的语法和语义信息。
论文链接：
https://paper.yanxishe.com/review/7742
推荐人：明明知道（碁震 数据工程师）
③
#计算机视觉# #图像处理#
《PointRend：将图像分割为渲染》
推荐理由：
作者提出了一种新的方法，可以对物体和场景进行有效的高质量图像分割。
通过将经典的计算机图形方法模拟为有效渲染，同时像素标注任务面临着过采样和欠采样的挑战，作者开发了图像分割作为渲染问题的独特视角。从这个角度出发，作者提出了PointRend（基于点的渲染）神经网络模块：该模块基于迭代细分算法在自适应选择的位置执行基于点的分段预测。通过在现有最新模型的基础上构建，PointRend可以灵活地应用于实例和语义分割任务。尽管可以实现该总体思想的许多具体实现，但作者表明，简单的设计已经可以实现出色的结果。定性地，PointRend在先前方法过度平滑的区域中输出清晰的对象边界。从数量上讲，无论是实例还是语义分割，PointRend都在COCO和Cityscapes上产生了可观的收益。 PointRend的效率可实现与现有方法相比在内存或计算方面不切实际的输出分辨率。
论文链接：
https://paper.yanxishe.com/review/7788
推荐人：Tokai
④
#深度学习# #强化学习#
《深度兴趣演化网络用于点击率预测》
推荐理由：
一.解决问题：
旨在估计用户点击概率的点击率（CTR）预测已成为广告系统的核心任务之一。对于CTR预测模型，有必要捕获用户行为数据背后的潜在用户兴趣。此外，考虑到外部环境和内部认知的变化，用户兴趣会随着时间动态变化。有多种用于兴趣建模的CTR预测方法，其中大多数将行为的表示直接视为兴趣，而缺乏针对具体行为背后的潜在兴趣的专门建模。而且，很少有工作考虑利益的变化趋势。
二. 创新点：
在本文中，我们提出了一种新颖的模型，称为深度兴趣演化网络（DIEN），用于CTR预测。具体来说，我们设计兴趣提取器层以从历史行为序列中捕获时间兴趣。在这一层，我们引入了辅助损失，以监督每一步的利息提取。由于用户兴趣的多样性，尤其是在电子商务系统中，我们提出了兴趣演变层来捕获相对于目标商品的兴趣演变过程。在兴趣演化层，注意力机制被新颖地嵌入到顺序结构中，并且在兴趣演化过程中增强了相对兴趣的影响。在针对公共和工业数据集的实验中，DIEN的性能明显优于最新的解决方案。值得注意的是，DIEN已部署到淘宝的展示广告系统中，其点击率提高了20.7％。
论文链接：
https://paper.yanxishe.com/review/7813
推荐人：hm（香港城市大学 计算机科学）
⑤
#知识图谱# #计算语言学#
《TransG：知识图嵌入的生成混合模型》
推荐理由：
本文提出的TransG模型同CTransR、TransD一致，都是为了解决关系的多种语义表达问题。作者首先做了一个比较有意思的实验，首先对预训练好的t-h进行聚类（也就是关系r），发现对于每种关系r来讲，会得到不同的簇。从现实意义来看也不难理解，对于关系Country，我们可以聚类得到美国、欧洲和其他国家这三个簇，表示电影所属的不同国家。
论文链接：
https://paper.yanxishe.com/review/7761
推荐人：magic（燕山大学 计算机科学与技术）
✎✎✎
除了上述的的五篇精选论文推荐，我们还为你精心准备了可以一键下载的论文集：
NeurIPS 2019 1422篇 论文合集
下载地址：https://www.yanxishe.com/resourceDetail/1113
NeurIPS 2019 Oral 36篇
下载地址：https://paper.yanxishe.com/packages/290
NIPS2019 深度强化学习论文集 61篇
下载地址：https://paper.yanxishe.com/packages/289
ICCV 2019 | 最新公开的51篇 Oral Paper 合集
下载地址：https://www.yanxishe.com/resourceDetail/1010
EMNLP 2019 | 10篇论文实现代码合集及下载
下载地址：https://www.yanxishe.com/resourceDetail/1013
NeurIPS 2019 GNN 论文合集
下载地址：https://www.yanxishe.com/resourceDetail/1006
AAAI （1996-2019）历年最佳论文合集
下载地址：https://www.yanxishe.com/resourceDetail/991
快来下载试试吧！
想要阅读更多精彩论文？
点击阅读原文跳转 paper.yanxishe.com
