1. Recurrent Poisson Process Unit for Speech Recognition
- AAAI 2019
- 用RNN结合Poisson Process做语音识别
- 以前的方法都是直接用RNN做的，把信号表示为离散的点
-
本文也是用RNN的hidden state近似Poisson Process的强度，不过是直接计算强度的倒数：
强度的计算 - 每个声学的landmark看作一个事件
- 把整段的分为了多个不相交的段，每段是一个独立的Poisson Process
2. Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction
- AAAI 2019
- 下一个地点预测
- 考虑了he spatial dependencies between locations are dynamic和the temporal dependency is not strictly periodic for its dynamic temporal shifting
-
对每个时间的每个区域上的出入流量做多层gated-CNN：
gated-CNN -
然后用LSTM和attention得到整个的表示，整体框架如下：
整体框架
3. Scene Text Recognition from Two-Dimensional Perspective
- AAAI 2019
- 场景图片文本识别
- 以前的工作都是把图片当做一个一维的序列来识别文本
-
本文把图片考虑成二维的了：
二维 - 通过在CNN上做attention的方式，得到图片上每一个区域的分类（哪个字母）
-
整体框架如图：
整体框架
4. Semantic Sentence Matching with Densely-connected Recurrent and Co-attentive Information
- AAAI 2019
- 句子语义匹配
- 整个模型由多个重复的块组成，每个块用RNN结合Attention的方式对两个句子建模，为了输入输出维度一样，每个块之后还接了一层autoencoder
-
整体框架如图：
整体框架
5. Session-based Recommendation with Graph Neural Networks
- AAAI 2019
- 用GNN过session-based推荐
- 用session的item表示得出用户的表示，用此来得到下一个物品的推荐
-
图的节点就是item， 连续出现过的item之间建边，得到connection matrix，如图：
connection matrix -
然后利用类似RNN的方式得到每个节点的表示：
得到节点表示
6. Graph Convolutional Networks for Text Classification
- AAAI 2019
- 用GNN做文本分类
- 每个单词和每个文档一起作为图中的节点
-
建边如图：
建边 -
建好图之后计算方式也比较简单：
计算过程，adjacency matrix A of G and its degree matrix D
7. Text Assisted Insight Ranking Using Context-Aware Memory Network
- AAAI 2019
- 自动从多维的表格中提取出有用的信息是很有用的一个工作
-
Insight Ranking，“insight” 的意思是表格的一个“部分总结”，例如：
表格
insight - 但是一个表格可能有很多个“insight”， 所以本文的工作是对多个“insight”排序，更有用的放前面
-
整体框架如图：
整体框架
