AAAI-2013概述（1）

AAAI的分类如下：

Main Technical Track：150篇

         AI and the Web Track：18篇

Cognitive Systems Track：7篇

Computational Sustainability and AI Track：16篇

Robotics Track：11篇

分类其实不太有用，因为150篇里什么方向的都有……

 

我看了其中一半，最后选出来较重要的文章列举如下：

Social Media（3）

1.      From Interest to Function: Location Estimation in Social Media

目的：社交网络中通过短文本挖掘建立用户兴趣与位置的概率关系，进行用户位置估计

方法：分为三步

1)      Interest Detection

根据用户间的interaction behavior和topic model LDA对每个用户得到一个隐藏的interest distribution。

2)      Mapping from Location Function to User Interest

利用POI(point of interest)建立location function，通过训练得到interest到location function的概率关系。

3)      Location Estimation

根据贝叶斯模型以及前两步所得信息，分析用户新发布的tweet即可估计用户当前所在位置。

 

2.      LA-CTR: A Limited Attention Collaborative Topic Regression for Social Media

目的：引入用户对朋友和兴趣的attention分配来改善社交网络中对新鲜事的推荐

方法：

1)      LA-CTR:Limited Attention Collaborative Topic Regression Model

在原始CTR模型的基础下引入3个新变量，分别表示users’limited attention(φ), their interests (u), and how much attention they pay to other users (s)并构造其分布，建立LA-CTR模型。

2)      Learning Parameters

根据CTR模型和CTR-smf模型，用类似EM算法梯度下降地进行MAP估计，学习得到模型参数。

3)      Prediction

根据学习到的模型对用户对于某新鲜事的rating进行预测，分为in-matrix prediction和out-matrix prediction两种。

 

3.      TONIC：Target Oriented Network Intelligence Collection for the Social Web

目的：从社交网络中通过给定目标人物target的朋友关系网收集target的相关信息

方法：

本文假定从某人的profile中抽取target相关信息和判定某人的profile是否和target相关的方法都是已知的，讨论的重点是给定一组初始的和target相关的朋友的profile，通过选择性对朋友的关系网进行扩展在有限步得到更多和target相关的profile。

选择扩展结点的启发式策略有以下几个：

1)      Clustering Coefficient：大意是指关系越紧密的朋友可能性越大

2)      Degree of Potential Leads：认识的朋友越多，可能性越大

3)      Promising-Leads Heuristic：既考虑认识朋友多少也考虑认识的朋友可能性大小

4)      Aggregating Promising Leads：考虑一组朋友集合的可能性大小      

 

Sentiment analysis（1）

4.      A Hierarchical Aspect-Sentiment Model for Online Reviews

目的：

从无标签的商品评论中生成分层（比如对笔记本的评论分为屏幕和可携带性，屏幕分为尺寸和分辨率等）的模型，把用户评论的情感词（如battery fast和CPU fast的fast）对应到对具体某一层的描述。

方法：

1)      the whole structure is a tree

2)      Each node itself is a two-level tree

a)        root represents an aspect

b)        children represent the sentiment polarities associated with it

c)        Each aspect or sentiment polarity is modeled as a distribution of words

3)      use a Bayesian nonparametric model, recursive Chinese Restaurant Process (rCRP), as the prior and jointly infer the aspect-sentiment tree from the review             texts.