1、【KDD 2021】Structure-aware Interactive Graph Neural Networks for the Prediction of Protein-Ligand Binding Affinity
论文地址：https://dl.acm.org/doi/abs/10.1145/3447548.3467311
论文解读：https://mp.weixin.qq.com/s/-c-iDLI4hmfGLe2M1DArtQ
导读：本文介绍由中国科学技术大学和百度商业智能实验室等机构的研究人员合作发表于KDD 2021的研究成果：作者提出了一个基于图神经网络的模型SIGN（structure-aware interactive graph neural network），通过利用原子间的细粒度结构和相互作用信息来学习蛋白质-配体复合物的表征，从而更好地进行结合亲和力预测。SIGN由两部分组成：极坐标启发的图注意力层（PGAL）和成对相互作用池化（PiPool）。PGAL用来整合原子之间的距离和角度信息，进行三维空间结构建模。PiPool用来将蛋白质和配体之间的远程相互作用纳入模型中。在两个基准上的实验结果验证了SIGN的优越性。

 

2、Learning to Embed Categorical Features without Embedding Tables for Recommendation. KDD, 2021

论文地址：https://arxiv.org/abs/2010.10784v2

阅读地址：https://mp.weixin.qq.com/s/ydbipTPycM-THOqqgx4qqw

类别特征（用户ID/物品ID）的学习在推荐系统中扮演着重要的作用，标准的方式是为每个类别特征分配一个嵌入向量（embedding vector）。然而这种方式在推荐系统中存在以下几个挑战：
  • 嵌入特征数量大（Huge vocabulary size）：推荐系统通常包含几百万的用户ID/视频ID。
  • 特征的动态的（ Dynamic nature of input）：推荐系统中经常会出现全新的用户ID/视频ID。
  • 特征分布高度倾斜（Highly-skewed data distribution）：推荐数据中低频特征的训练实例数量较少，因此对特征嵌入质量有显著影响。
这篇文章提出一个Deep Hash Embeddings (DHE）的方式来缓解以上问题。
编辑人：吕腾飞，伊新铜