1. Recurrent Poisson Process Unit for Speech Recognition

• AAAI 2019
• 用RNN結(jié)合Poisson Process做語音識別
• 以前的方法都是直接用RNN做的，把信號表示為離散的點(diǎn)

• 本文也是用RNN的hidden state近似Poisson Process的強(qiáng)度，不過是直接計算強(qiáng)度的倒數(shù)：

  
  
  強(qiáng)度的計算
• 每個聲學(xué)的landmark看作一個事件
• 把整段的分為了多個不相交的段，每段是一個獨(dú)立的Poisson Process

2. Revisiting Spatial-Temporal Similarity: A Deep Learning Framework for Traffic Prediction

• AAAI 2019
• 下一個地點(diǎn)預(yù)測
• 考慮了he spatial dependencies between locations are dynamic和the temporal dependency is not strictly periodic for its dynamic temporal shifting

• 對每個時間的每個區(qū)域上的出入流量做多層gated-CNN：

  
  
  gated-CNN

• 然后用LSTM和attention得到整個的表示，整體框架如下：

  
  
  整體框架

3. Scene Text Recognition from Two-Dimensional Perspective

• AAAI 2019
• 場景圖片文本識別
• 以前的工作都是把圖片當(dāng)做一個一維的序列來識別文本

• 本文把圖片考慮成二維的了：

  
  
  二維
• 通過在CNN上做attention的方式，得到圖片上每一個區(qū)域的分類（哪個字母）

• 整體框架如圖：

  
  
  整體框架

4. Semantic Sentence Matching with Densely-connected Recurrent and Co-attentive Information

• AAAI 2019
• 句子語義匹配
• 整個模型由多個重復(fù)的塊組成，每個塊用RNN結(jié)合Attention的方式對兩個句子建模，為了輸入輸出維度一樣，每個塊之后還接了一層autoencoder

• 整體框架如圖：

  
  
  整體框架

5. Session-based Recommendation with Graph Neural Networks

• AAAI 2019
• 用GNN過session-based推薦
• 用session的item表示得出用戶的表示，用此來得到下一個物品的推薦

• 圖的節(jié)點(diǎn)就是item， 連續(xù)出現(xiàn)過的item之間建邊，得到connection matrix，如圖：

  
  
  connection matrix

• 然后利用類似RNN的方式得到每個節(jié)點(diǎn)的表示：

  
  
  得到節(jié)點(diǎn)表示

6. Graph Convolutional Networks for Text Classification

• AAAI 2019
• 用GNN做文本分類
• 每個單詞和每個文檔一起作為圖中的節(jié)點(diǎn)

• 建邊如圖：

  
  
  建邊

• 建好圖之后計算方式也比較簡單：

  
  
  計算過程，adjacency matrix A of G and its degree matrix D

7. Text Assisted Insight Ranking Using Context-Aware Memory Network

• AAAI 2019
• 自動從多維的表格中提取出有用的信息是很有用的一個工作

• Insight Ranking，“insight” 的意思是表格的一個“部分總結(jié)”，例如：

  
  
  表格
  
  
  insight
• 但是一個表格可能有很多個“insight”， 所以本文的工作是對多個“insight”排序，更有用的放前面

• 整體框架如圖：

  
  
  整體框架