KDD简介

第 25 届 ACM SIGKDD 知识发现和数据挖掘会议（KDD）已于今年 8 月 4 日在美国阿拉斯加州安克雷奇开幕。今年的大会奖项分为研究方向和应用数据科学方向。在今天公布的最佳论文中，康奈尔大学的《Network Density of States》获得了研究类最佳论文奖；而应用数据科学方向的最佳论文为《Actions Speak Louder than Goals: Valuing Player Actions in Soccer》，这是一篇有关足球技术分析方面的研究，来自比利时天主教鲁汶大学以及体育分析公司 SciSports。

为了提升论文接收的质量，KDD 2019 首次采用了双盲审查制度，本次大会也对研究的可复现性提出了新的要求，强调其为「论文审核过程中的一个重要因素」，只有包含两页可复现性内容附录的文章才有可能被评为 KDD 最佳论文。

KDD 对论文接收非常严格，每年的接收率均未超过 20%。本届大会在应用数据科学方向共收到大约 700 篇论文，其中 45 篇 oral 论文，约 100 篇被接收为 poster 论文；研究方向共收到约 1200 篇投稿，其中约 110 篇 oral 论文，60 篇 poster 论文，接收率仅为 14%。

研究方向亚军论文

• 论文：Optimizing Impression Counts for Outdoor Advertising

• 作者：Yipeng Zhang、Yuchen Li、Zhifeng Bao、Songsong Mo、Ping Zhang（皇家墨尔本理工大学、新加坡管理大学、武汉大学、华为）

• 链接：http://delivery.acm.org/10.1145/3340000/3330829/p1205-zhang.pdf

自 2017 年以来，户外广告市场规模每年增长 3%-4%，预计到 2021 年将达到 330 亿美元。其中 74% 的增长来自广告牌。广告牌的主要受众是沿途的行人。超过 80% 的司机在开车时会注意到广告牌。由于定位设备的普及，现在已经积累了大量的行人出行轨迹。那么，如何利用这些数据提升广告影响就成了研究者关心的问题。

在现实场景中，广告牌的数量和预算是固定的，因此研究人员提出通过提高户外广告的印象计数（ICOA）来提升广告效果，以此提高广告主的投资回报率。

给定一个广告牌数据库 U，其中每个广告牌都有一个位置和一个非均匀成本，一个轨迹数据库 T 和一个预算 B，它的目标是找到一组在预算范围内影响最大的广告牌。

要解决这一问题，研究人员人员必须克服两大挑战：

1. 同一广告牌出现多少次能达到最佳效果（既给行人留下深刻印象又不浪费预算）；

2. 第二个挑战是逻辑函数的性质。基于 logistic 函数的影响模型是非子模块的，这意味着简单的贪婪方法不能解决 ICOA 问题。更糟糕的是，不同广告牌的成本不统一，使得优化问题更加复杂。研究者表明，在任意常数因子下，逼近 ICOA 是 NP-hard 问题。

对于第一个问题，此前有研究表明，在一定范围内，广告牌出现的次数越多，给路人留下的印象越深刻，但超出这一范围之后效果会越来越差。

对于第二个问题，研究者提出了一种基于切线计算子模函数的算法来估计影响的上界。他们引入了一个带有θ-termination 条件的分支定界框架，实现 θ/2 × (1 − 1/e) 近似比。然而，当|U|很大时，这个框架非常耗时。因此，研究者利用渐进剪枝上限估计方法对其进行进一步优化，实现 θ/2 × (1 − 1/e − ϵ) 近似比例并显著降低了运行时间。他们在真实的广告牌和轨迹数据集上进行了实验，结果表明，该方法的有效性比基线高出 95%。此外，优化方法比原框架快两个数量级左右。

本内容为学习笔记，参考网上资源，如机器之心