wsdm是國際頂級會議。
WSDM是信息檢索與數據挖掘領域的國際頂級會議，由SIGIR、SIGKDD、SIGMOD和SIGWEB四個專委會協調籌辦，在互聯網搜索、數據挖掘領域享有較高學術聲譽。2021年1月至今，高瓴人工智能學院已發表或被錄用CCF A類國際期刊和會議論文67篇、CCF B類期刊和論文34篇。
在會話搜索中，利用用戶和搜索引擎之間的歷史交互來提高文檔檢索的效率是十分重要的。但並非所有歷史信息都有助於候選文檔的排序。實際上，用戶在修改每壹個查詢的過程中經常會表達自己的偏好，這可以幫助我們在歷史交互中捕捉有用的信息。
知識圖譜作為重要資源已被廣泛應用於信息檢索，推薦系統，自然語言處理等各領域。但知識圖譜通常面臨著不完整的現象。知識補全旨在利用知識圖譜的結構化信息預測知識圖譜中丟失的三元組，已然成為知識圖譜領域的研究熱點。而實體類型預測是補全知識圖譜的有效手段。
高效更通用地表示時間序列的方法
1、字典方法，找時序分段的特征值。
2、形狀方法，找時序分段的特殊波形。
3、聚類方法，找時序分段的分類特征。
基於以上背景為出發，為了描述時間序列的動態信息，同時提供可解釋的模型表示用於異常檢測，該論文嘗試將Shapelet映射回時序中, 探尋位置的敏感度，並隨時間累積轉移關系，構建Graph進行表示，形成壹種可推理可解釋的方法用於時序建模與異常分析。