信息学院四川省云计算与智能技术高校重点实验室在国际顶级学术期刊和学术会议上发表论文8篇

来源:信息科学与技术学院  作者:胡晓阳  日期:2019-06-02  点击数:287

近日,信息学院四川省云计算与智能技术高校重点实验室的李天瑞教授、杨燕教授、郑宇教授指导的博士生纪圣塨同学、王浩同学、罗怀芍同学、王斌同学在国际顶级学术期刊和学术会议上发表学术论文共8篇,具体包括:国际顶级学术期刊IEEE TKDE 2篇(CCF-A类)、IEEE TASLP 1篇(CCF-B类);国际顶级学术会议ACL 1篇、IJCAI 1篇、KDD 1篇、WWW 1篇、UbiComp 1篇(均为CCF-A类会议)。以下是8篇论文的简介:

1. Shenggong Ji (纪圣塨), Yu Zheng (郑宇), Wenjun Wang, and Tianrui Li (李天瑞). Real-Time Ambulance Redeployment: A Data-Driven Approach. IEEE TKDE 2019. CCF-A类期刊.

城市紧急医疗服务对于拯救处于生命危险中的城市居民具有重要意义,其通过派遣救护车将病人及时送到医院来提升病人的生存概率。实时的救护车重新部署大大地影响救护车的运输能力。救护车的重新部署与五个数据D1-D5相关,这也是它的难点。本文提出一个实时的救护车重新部署算法,该算法能够很好地考虑这五个数据。首先,本文提出一个紧急度指标将D1D2D3合并成每个救护车站点的紧急度D*。接着,本文提出一个最优匹配算法来综合考虑D*D4D5,进而得到部署结果。相比于其他方法,本文的方法能够大大地提升救护车的运输能力,进而大幅提升病人的生存概率。

论文链接:https://ieeexplore.ieee.org/document/8703064

2. Hao Wang (王浩), Yan Yang (杨燕), and Bing Liu. GMC: Graph-based Multi-view Clustering. IEEE TKDE 2019. CCF-A类期刊.

多视图聚类近几年引起国内外学者的广泛关注。当前大多数现有基于图的多视图聚类算法没有充分考虑视图权重,依赖额外的聚类算法输出最终的聚类结果,并且在优化过程中固定每个初始化生成的图去学习融合图。本文提出一种新颖的具有联合学习特性的多视图聚类算法,能够实现自动加权每个视图生成融合图;所生成的融合图可返回提升每个视图,并相互强化;在没有额外参数引入的情况下,结合矩阵秩的性质,生成的融合图可以直接产生聚类结果,为基于图的多视图融合学习算法提供了新的思路。

论文链接:https://ieeexplore.ieee.org/abstract/document/8662703

3. Shenggong Ji (纪圣塨), Yu Zheng (郑宇), Zhaoyuan Wang, and Tianrui Li (李天瑞). Alleviating Users’ Pain of Waiting: Effective Task Grouping for Online-to-Offline Food Delivery Services. WWW 2019. CCF-A类会议.

对于城市中的居民来说,在网上O2O平台订餐已经成为一种新的生活方式。对于一个O2O平台来说,提升有限送餐员的送餐效率非常重要。本文研究外卖订单分组问题以提升外卖送餐效率。外卖订单分组问题是一个很有挑战的问题。首先,送餐效率受到多种因素的影响,刻画以及同时考虑这些因素并不容易。其次,这个分组问题是一个NP困难问题。为了解决这两个问题,本文提出了一个高效的任务分组方法。首先,本文提供了刻画影响外卖送餐效率的因素的方法,并且提供了一个目标方程来合并这些因素。接着,提出了两个启发式算法来快速、高效地进行任务分组。实验结果显示,相比于其他方法,本文的方法能够为大大地降低每个用户的平均等餐时间,提升用户的满意度。

论文链接:https://dl.acm.org/citation.cfm?id=3313464

4.  Hao Wang (王浩), Linlin Zong, Bing Liu, Yan Yang (杨燕), and Wei Zhou. Spectral Perturbation Meets Incomplete Multi-view Data. IJCAI 2019. CCF-A类会议.

现有多视图聚类算法通常隐含一个很强的假设,即每个数据点在所有视图下进行采样。在实际的聚类问题中,一些数据点在某些视图下是缺失的。此问题被称为不完备多视图聚类,其主要挑战是缺失数据的填充和视图之间结果的融合。本文探究谱扰动理论,在扰动风险最小边界和不完备多视图聚类之间建立桥梁,提出一种扰动诱导的不完备多视图聚类方法。该方法的新颖点在于(1)将数据特征缺失转换为数据点间相似度缺失,并提出一种有效的相似度填充方法,减小特征缺失带来的风险;(2) 利用图谱理论,指出谱扰动边界最小化等同于不同视图间融合结果最大化,从而给出融合机制的一个可靠准则。

论文链接:暂未公开

5.  Bin Wang (王斌), Jie Lu, Zheng Yan, Huaishao Luo, Tianrui Li (李天瑞), Yu Zheng (郑宇), and Guangquan Zhang. Deep Uncertainty Quantification: A Machine Learning Approach for Weather Forecasting. KDD 2019. CCF-A类会议.

精准的天气预报可为居民出行、粮食储藏、能源预测、产能优化、交通导流、航空航海等诸军民需求提供更精准的天气信息以供于决策支持。如何针对气象要素高度复杂性、不确定性进行有效建模,从而进行准确的预报,成为一个极具挑战性的问题。传统的数值天气预报方法受初始化随机性的影响,预报往往存在较大偏差。本文基于人工智能技术中的深度学习模型,提出了高效的多源信息融合方法,设计了一种可以进行不确定性量化的新型损失函数,并将其用于训练深度学习模型过程中,不仅能够更准确地进行气象要素预报,还可以进行气象变化范围的置信区间预报。与传统的数值天气预报方法相比,该方法能够降低预报误差高达51.28%

论文链接(初版本):https://arxiv.org/abs/1812.09467

6. Shenggong Ji (纪圣塨), Yu Zheng (郑宇), Zhaoyuan Wang, and Tianrui Li (李天瑞). A Deep Reinforcement Learning-Enabled Dynamic Redeployment System for Mobile Ambulances. IMWUT (UbiComp) 2019. CCF-A类会议.

在城市中,每天都有大量的人遭遇紧急事件或者急性病,因此需要救护车将其送到医院。本文提出了一个动态的救护车重新部署算法,使得病人能够快速地被送到医院,从而增加病人的存活率。动态的救护车重新部署是一个很有挑战的问题,因为当重新部署一辆救护车时,我们需要考虑每一个救护车站点的多种因素。本文提出运用深度神经网络(称作:深度评分网络)将每个救护车站点的多种因素合并成一个综合的得分。接着,本文运用深度强化学习框架去学习这个深度评分网络。最后,基于这个学习好的深度评分网络,得到一个高效的动态救护车重新部署算法。相比于其他方法,本文的方法能够为每个病人节省等待时间,并提升10分钟以内能够接到的病人的比例。

论文链接:https://dl.acm.org/citation.cfm?doid=3323054.3314402

7. Huaishao Luo (罗怀芍), Tianrui Li (李天瑞), Bing Liu, and Junbo Zhang. DOER: Dual Cross-Shared RNN for Aspect Term-Polarity Co-Extraction. ACL 2019. CCF-A类会议.

在基于方面的情感分析中,评论观点属性词抽取及其极性分类是一个两阶段任务,通常的作法是先多评论属性词进行抽取,然后再对抽取的属性词进行极性分类。该研究将这两个子任务作为两个标注任务同时进行处理。提出了一个基于双路交叉共享RNN的评论属性及其极性协同抽取方法,该方法通过各自的堆叠残差门单元循环网络及交叉共享单元分别对属性词和词性进行标注,并在训练时设计了属性词长度回归增强和附加情感词汇表辅助增强两个子目标来辅助标注特征的抽取。实验在三个基准数据集上都表现出一致的提升性能。

论文链接:暂未公开

8. Huaishao Luo (罗怀芍), Tianrui Li (李天瑞), Bing Liu, Bin Wang, and Herwig Unger. Improving aspect term extraction with bidirectional dependency tree representation. IEEE TASLP 2019. CCF-B类期刊.

评论观点属性词抽取(Aspect Term Extraction)是基于方面情感分析(Aspect-based Sentiment Analysis)的一个重要子任务。先前的研究工作表明了依赖树结构表征具有提升该任务的潜力。然而,它们主要构建在单向依赖树传播的基础上。这篇文章首先提出一个新的双向依赖语法树来抽取给定句子的依赖结构特征,主要做法是将在依赖语法树上自底向上和自顶向下两个方向的特征进行融合。在此基础上,本文将抽取的语法特征和利用双向LSTM抽取的语义特征结合,并用CRF来标注最后的评论观点属性词,使得整个框架可以进行端到端的训练和抽取。在评论观点属性词抽取基准数据集上的结果超过了所有基线模型,展示了所提出模型的优越抽取性能。

论文链接:https://ieeexplore.ieee.org/document/8698340

近年来,四川省云计算与智能技术高校重点实验室一直致力于人工智能、大数据、云计算等方面的研究与应用,取得了一批重要学术成果,包括在国际一流期刊PNAS, Artificial Intelligence, IEEE Transactions on Pattern Analysis and Machine Intelligence, IEEE Transaction on Knowledge and Data Engineering, IEEE Transactions on Evolutionary Computation, IEEE Transactions on Image Processing, IEEE Transactions on Fuzzy Systems, IEEE Transactions on Information Forensics & Security, IEEE Transactions on Industrial Electronics, IEEE Transactions on Cybernetics, IEEE Transactions on Audio Speech and Language Processing, IEEE Transactions on Communications, IEEE Transactions on Communications, IEEE Transactions on Cloud Computing等发表40余篇学术论文,先后入选ESI热点论文3篇,ESI高被引论文15篇和扩展版ESI高被引论文20篇,出版编著6部,主编出版SCI期刊专辑10部等。而且特别重视人才培养质量,已培养上百名研究生,遍布海内外,就业单位包括国际知名研究机构如微软亚洲研究院,一流高校如四川大学和行业骨干企业如华为、京东、阿里巴巴、腾讯、百度等。培养的学生中曾获得竢实扬华奖章2人,中国人工智能学会优秀博士论文提名奖1次,ACM成都分会优秀博士论文奖4次,IEEE成都分会优秀学生论文奖4次,国际会议优秀论文奖4次和优秀张贴论文奖2次,全国会议优秀论文奖4次,2015年天池大数据“新浪微博互动预测大赛”冠军(奖金20万元),2016年国际人工智能联合会议竞赛(社会影响力分析)亚军,2018年AI全球挑战赛“AI天气预报挑战赛”亚军,ACM-ICPC亚洲区预选赛金牌,首届“顶嵌杯”全国嵌入式系统C语言编程大赛唯一的特等奖(大赛最高奖)和多次在全国性竞赛中获得第一名的好成绩等。