<mark id="oztn4"></mark>
1
| 本文作者： 章敏 | 2016-08-18 18:38 |
聯(lián)合編譯：章敏，高斐
導(dǎo)讀：KDD2016是首屈一指的跨學(xué)科會(huì)議，它聚集了數(shù)據(jù)科學(xué)，數(shù)據(jù)挖掘，知識(shí)發(fā)現(xiàn)，大規(guī)模數(shù)據(jù)分析和大數(shù)據(jù)方面的研究人員和從業(yè)人員。文章結(jié)尾附論文原文網(wǎng)盤下載鏈接
本獎(jiǎng)項(xiàng)頒給過去十年KDD會(huì)議中，已經(jīng)在數(shù)據(jù)挖掘研究界產(chǎn)生重要影響杰出論文的作者。
獲獎(jiǎng)?wù)撸?/strong>
Jure Leskovec (Stanford) ；
Jon Kleinberg (Cornell University）
Christos Faloutsos (Carnegie Mellon University)
意義：本文在現(xiàn)實(shí)世界的圖形和網(wǎng)絡(luò)隨著時(shí)間推移，如何增長(zhǎng)并發(fā)展方面提出了新的發(fā)現(xiàn)。這些發(fā)現(xiàn)從根本上塑造了我們對(duì)于現(xiàn)實(shí)世界網(wǎng)絡(luò)的演變和增長(zhǎng)的理解，并在許多領(lǐng)域刺激出了豐富的在線測(cè)量、建模結(jié)構(gòu)和網(wǎng)絡(luò)進(jìn)化方面的研究。
本文研究了一些不斷發(fā)展的現(xiàn)實(shí)世界網(wǎng)絡(luò)，并確定了兩個(gè)網(wǎng)絡(luò)增長(zhǎng)的法則：（1）致密化冪律（the Densification Power Law），和（2）縮徑原理（the Shrinking Diameter Principle）。致密化冪律發(fā)現(xiàn)，在網(wǎng)絡(luò)中邊緣的數(shù)目的增長(zhǎng)是網(wǎng)絡(luò)中節(jié)點(diǎn)的數(shù)目增長(zhǎng)的動(dòng)力（例如，兩倍數(shù)目的節(jié)點(diǎn)，三倍數(shù)目的邊緣）。縮徑原理發(fā)現(xiàn)，網(wǎng)絡(luò)的直徑通常會(huì)隨著網(wǎng)絡(luò)中節(jié)點(diǎn)的數(shù)量而收縮。這兩個(gè)發(fā)現(xiàn)被提出時(shí)，與我們所認(rèn)為的網(wǎng)絡(luò)演變有著本質(zhì)的不同：傳統(tǒng)的認(rèn)知是，隨著時(shí)間的推移，平均度保持不變，網(wǎng)絡(luò)直徑慢慢隨著節(jié)點(diǎn)的數(shù)量而增長(zhǎng)。
目前沒有網(wǎng)絡(luò)進(jìn)化模型能夠捕捉到所觀察到的經(jīng)驗(yàn)?zāi)Ｊ剑虼吮疚耐瑯犹岢隽艘幌盗械木W(wǎng)絡(luò)增長(zhǎng)模型，包括“Forest Fire”模型，它生成的圖形展示出了致密化冪律，收縮直徑，以及其他基本的圖形屬性，包括強(qiáng)大的聚類和傾斜度分布。
摘要：真實(shí)圖表如何隨著時(shí)間的推移而發(fā)展？在社會(huì)，技術(shù)和信息網(wǎng)絡(luò)中，什么是“正常”的增長(zhǎng)模式？許多研究已經(jīng)發(fā)現(xiàn)了靜態(tài)圖中的模式，在一個(gè)大的單一網(wǎng)絡(luò)快照，或在一個(gè)非常小數(shù)量的快照中確定屬性；這些包括in-和out度分布沉重的尾部，社區(qū)，小世界現(xiàn)象，和其他的屬性。。然而，由于缺乏在很長(zhǎng)時(shí)間中段網(wǎng)絡(luò)演化的信息，一直很難將這些研究結(jié)果轉(zhuǎn)化為觀點(diǎn)——隨著時(shí)間推移的趨勢(shì)。我們研究了大量的真實(shí)圖形，而且觀察到一些令人驚訝的現(xiàn)象。首先，大多數(shù)這些圖的密度隨著時(shí)間的推移增加，隨著邊緣數(shù)目增加節(jié)點(diǎn)的數(shù)量呈超線性增長(zhǎng)。其次，節(jié)點(diǎn)之間的平均距離往往會(huì)隨著時(shí)間的推移而收縮，這與傳統(tǒng)的認(rèn)識(shí)（這樣的距離參數(shù)應(yīng)該是隨著節(jié)點(diǎn)數(shù)量緩慢增加的函數(shù)（like O（log n）或O（log（log n）））相反。現(xiàn)有的圖形生成模型即使在定性水平，也不會(huì)表現(xiàn)出這種類型的行為。我們提供了一個(gè)新的圖形生成器，它基于“forest fire”的傳播過程，具有簡(jiǎn)單、直觀的理由，只需要很少的參數(shù)（如“flammability”節(jié)點(diǎn)），且產(chǎn)生的圖形在前期工作和本研究中，都顯示出了最高等級(jí)的屬性觀察。
本獎(jiǎng)項(xiàng)頒給在數(shù)據(jù)科學(xué)、機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘領(lǐng)域做出杰出貢獻(xiàn)的研究生。
審查標(biāo)準(zhǔn)：
·KDD相關(guān)知識(shí)的論文
·論文主體思想是獨(dú)創(chuàng)性的
·具有科學(xué)貢獻(xiàn)意義
·論文技術(shù)深度且可靠性（包括實(shí)驗(yàn)方法、理論結(jié)果等）
·論文的總體呈現(xiàn)和可讀性高（包括組織、寫作風(fēng)格和闡述等）
獲獎(jiǎng)?wù)撸?/strong>
Danai Koutra (student) and Christos Faloutsos (advisor) at Carnegie Mellon University
摘要：圖表代表網(wǎng)頁之間不同鏈接的信息，連接我們大腦中相鄰的神經(jīng)元，并經(jīng)常跨越數(shù)十億節(jié)點(diǎn)。在這海量的數(shù)據(jù)中，我們?nèi)绾尾拍苷业剿钪匾慕Y(jié)構(gòu)？我們?nèi)绾螜z測(cè)到關(guān)鍵的事件，如計(jì)算機(jī)系統(tǒng)受到攻擊，或在人類大腦中疾病的形成？本文中舍棄了（I）的可擴(kuò)展性、原則性算法（結(jié)合全球化與地區(qū)理解圖形），而且（ii）應(yīng)用在兩方面：
·單個(gè)-圖表的探索：我們展示了如何總結(jié)圖的重要結(jié)構(gòu)，且進(jìn)行補(bǔ)充與推理（利用一些先前的信息和網(wǎng)絡(luò)結(jié)構(gòu)有效地了解所有實(shí)體的信息）。
·多個(gè)圖形的探索：我們總結(jié)了模式發(fā)現(xiàn)的時(shí)空?qǐng)D思想。我們還認(rèn)為，在許多有著多圖標(biāo)的應(yīng)用程序中相似性是子問題，并促進(jìn)了網(wǎng)絡(luò)對(duì)齊與相似性方法的發(fā)展。
我們已經(jīng)將我們的方法應(yīng)用到了大量的數(shù)據(jù)中，包括一個(gè)有66億邊緣的2Web圖，一個(gè)有18億邊緣的Twitter圖，和有9000萬個(gè)邊緣的腦圖。
摘要：搜索引擎在我們?nèi)粘Ｉ钪衅鹬陵P(guān)重要的作用。而相關(guān)性是商業(yè)搜索引擎的核心問題。它吸引了來自學(xué)術(shù)界和工業(yè)界的數(shù)千名研究人員，并已進(jìn)行了幾十年的研究。現(xiàn)代搜索引擎中相關(guān)性已經(jīng)遠(yuǎn)遠(yuǎn)超越了文本匹配，且現(xiàn)在面臨巨大的挑戰(zhàn)。查詢和URLs之間的語義分歧是提高基礎(chǔ)相關(guān)性的主要障礙。點(diǎn)擊有助于提供提示，以提高相關(guān)性，但不幸的是對(duì)于大多數(shù)尾部查詢，點(diǎn)擊信息太稀疏，嘈雜，或完全丟失。對(duì)于綜合相關(guān)性，結(jié)果的新近和位置敏感性也很關(guān)鍵。本文中，我們給出了雅虎搜索引擎中相關(guān)性解決方案的概述。我們介紹了三個(gè)關(guān)于基本相關(guān)性的關(guān)鍵技術(shù)：排序函數(shù)、語義匹配特征和查詢重寫。我們還描述了對(duì)于近因敏感相關(guān)性和位置敏感相關(guān)性的解決方案。這項(xiàng)工作建立在Yahoo搜索現(xiàn)有20年努力的基礎(chǔ)之上，總結(jié)了最新的進(jìn)展，并提供了一系列實(shí)際相關(guān)性的解法。報(bào)告的性能基于Yahoo的商業(yè)搜索引擎，其中有數(shù)百億的URLs通過排名系統(tǒng)索引和服務(wù)。
Dawei Yin
機(jī)構(gòu):JD.COM研究主任
研究方向：機(jī)器學(xué)習(xí)，算法，數(shù)據(jù)挖掘， 模式識(shí)別等
摘要：在智能私人助理方面，一種新的建議形式正在興起如Apple’s Siri、Google Now和 Microsoft Cortana，它們可以“在恰當(dāng)?shù)臅r(shí)間推薦恰當(dāng)?shù)男畔ⅰ保⒎e極主動(dòng)地幫助你“把事情解決”。這種類型的推薦需要精確的跟蹤用戶當(dāng)時(shí)的意圖，即，用戶打算知道什么類型的信息（例如，天氣，股票價(jià)格），和他們打算完成什么任務(wù)（例如，演奏音樂，打車）。用戶的意圖與語境是密切相關(guān)的，其中包括外部環(huán)境，如時(shí)間和地點(diǎn)，以及用戶的內(nèi)部活動(dòng)（可以由個(gè)人助理感覺到）。語境和意圖之間表現(xiàn)出復(fù)雜的共同發(fā)生和序列相關(guān)，且語境信號(hào)也非常混雜、稀疏，這使得建模語境—意圖之間的關(guān)系，變成了一項(xiàng)具有挑戰(zhàn)性的任務(wù)。為了解決意圖跟蹤問題我們提出了Kalman filter regularize PARAFAC2 (KP2) 實(shí)時(shí)預(yù)報(bào)模型，它可以細(xì)密的表示語境和意圖之間的結(jié)構(gòu)和共同運(yùn)動(dòng)。KP2模型在用戶上利用了協(xié)同能力，并學(xué)習(xí)每個(gè)用戶的個(gè)性化動(dòng)態(tài)系統(tǒng)，以確保高效的實(shí)時(shí)預(yù)測(cè)用戶意圖。大部分實(shí)驗(yàn)使用了來自商業(yè)個(gè)人助理的真實(shí)世界數(shù)據(jù)集，結(jié)果顯示KP2模型明顯優(yōu)于其它的所有方法，且在個(gè)人助理中部署大規(guī)模的主動(dòng)建議系統(tǒng)方面，提供了鼓舞人心的啟示。
Yu sun
學(xué)校：墨爾本大學(xué)計(jì)算與信息系統(tǒng)系
研究方向：語境行為挖掘，強(qiáng)化學(xué)習(xí)，最優(yōu)位置發(fā)現(xiàn)，空間/時(shí)間索引，算法設(shè)計(jì)/分析。
更多論文資訊：
·A Contextual Collaborative Approach for App Usage Forecasting,（UbiComp, 2016）
·Reverse Nearest Neighbor Heat Maps: A Tool for Influence Exploration,（ICDE，966-977,，2016）
摘要 ：根據(jù)用戶和他們?cè)u(píng)論的產(chǎn)品，或跟隨者與被跟隨者的偶圖信息，我們應(yīng)當(dāng)如何識(shí)別虛假評(píng)論或跟風(fēng)評(píng)論？現(xiàn)存的欺詐檢測(cè)方法（譜檢測(cè)等）試圖識(shí)別結(jié)點(diǎn)的密集子圖表，這些結(jié)點(diǎn)與保留下來的圖表保持較少的聯(lián)系。這些欺詐者能夠使用“偽裝”手段，即通過用真誠的目標(biāo)增添評(píng)論或跟隨評(píng)論，并使得這些評(píng)論看起來“常態(tài)化”來規(guī)避這些檢測(cè)方法。更為糟糕的是，有些欺詐者利用誠實(shí)用戶的“黑客賬戶”，這種偽裝手段確實(shí)是有組織的。我們研究的聚焦點(diǎn)在于發(fā)現(xiàn)以偽裝手段或黑客賬戶存在的欺詐者。我們提出FRAUDAR，一種用于(a)抵制偽裝手段，(b)提供欺詐者有效性的上限，(c)能夠有效應(yīng)用于真實(shí)數(shù)據(jù)的算法。各種各樣攻擊條件下獲得的實(shí)驗(yàn)結(jié)果表明，F(xiàn)RAUDAR在檢測(cè)偽裝性欺詐和非偽裝性欺詐的精度方面都優(yōu)于其最大競(jìng)爭(zhēng)算法。此外，在運(yùn)用推特跟隨者-被跟隨者14.7億邊緣圖表的真實(shí)實(shí)驗(yàn)中，F(xiàn)RAUDAR成功地檢測(cè)出一個(gè)包括4000多被檢測(cè)賬戶的子圖表，其中大多數(shù)擁有推特賬戶的人表示他們用的是跟隨者購買的服務(wù)。
Bryan Hooi
學(xué)校：卡耐基梅隆大學(xué)機(jī)器學(xué)習(xí)系與統(tǒng)計(jì)學(xué)系博士，
研究方向：圖與時(shí)間序列異常檢測(cè)。
學(xué)術(shù)成果：
·A General Suspiciousness Metric for Dense Blocks in Multimodal Data. IEEE International Conference on Data Mining (ICDM), 2015.
·Matrices, Compression, Learning Curves: formulation, and the GROUPNTEACH algorithms. PAKDD 2016.
摘要：全動(dòng)態(tài)圖表以邊緣插入與刪除的一個(gè)敵對(duì)流的形式得以呈現(xiàn)，在這樣一種全動(dòng)態(tài)圖表中我們對(duì)全局三角形和局部三角形的數(shù)量進(jìn)行計(jì)數(shù)（即由事件到每個(gè)頂點(diǎn)），對(duì)于最終的三角形數(shù)量我們提出TRIEST,一套一通流算法計(jì)算其無偏、低方差、高質(zhì)量近似值。我們的算法一直運(yùn)用存儲(chǔ)的樣本及其變形，以實(shí)現(xiàn)利用用戶專門存儲(chǔ)容量。這種算法與要求運(yùn)用難以選擇的參數(shù)（例如，一個(gè)固定樣本概率），并且不能保證其運(yùn)用的存儲(chǔ)數(shù)量的先前使用的算法形成鮮明對(duì)比。我們分析估計(jì)值得方差，所得結(jié)果顯示出對(duì)這些數(shù)量新的集中限制。我們基于超大圖表的實(shí)驗(yàn)結(jié)果證實(shí)了，TRIEST在精度上超過目前的最優(yōu)算法，并且展示出小型更新時(shí)段。
Lorenzo De Stefani
學(xué)校：布朗大學(xué)計(jì)算機(jī)科學(xué)系博士。
學(xué)術(shù)成果：
·Reconstructing Hidden Permutations Using the Average-Precision (AP) Correlation Statistic（AAAI 2016: 1526-1532）
ACM SIGKDD非常高興宣布PHILIP S.Yu獲得2016年創(chuàng)新獎(jiǎng)，Yu在大數(shù)據(jù)挖掘，融合及匿名化領(lǐng)域的研究做出了科學(xué)貢獻(xiàn)，并產(chǎn)生了深遠(yuǎn)影響。
ACM SIGKDD創(chuàng)新獎(jiǎng)是知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘(KDD)領(lǐng)域的最高技術(shù)成就獎(jiǎng)，該獎(jiǎng)項(xiàng)主要授予在KDD領(lǐng)域做出杰出技術(shù)創(chuàng)新，并為推動(dòng)該研究領(lǐng)域的理論與實(shí)踐發(fā)展產(chǎn)生長(zhǎng)期影響的個(gè)人或團(tuán)隊(duì)。這些個(gè)人或團(tuán)隊(duì)的科學(xué)貢獻(xiàn)已經(jīng)對(duì)研究方向與該領(lǐng)域的發(fā)展產(chǎn)生重大影響，或者對(duì)研究成果的實(shí)際應(yīng)用帶來重大革新，并對(duì)商業(yè)體系的發(fā)展起到推動(dòng)作用。
多年以來，PHILIP S.Yu對(duì)制定KDD大會(huì)的準(zhǔn)則與數(shù)據(jù)挖掘做出了突出的貢獻(xiàn)，并受到一致認(rèn)可。在“大數(shù)據(jù)”這一術(shù)語在近幾年流行起來之前，Yu對(duì)于大數(shù)據(jù)相關(guān)問題的研究已經(jīng)由來已久，研究期間，已經(jīng)發(fā)表了900多篇論文，文章引用次數(shù)達(dá)到73,000次，為知識(shí)發(fā)現(xiàn)各相關(guān)領(lǐng)域，其中包括頻繁模式挖掘、聚類、分類、異常檢測(cè)、推薦、特征提取、相似性搜索、垃圾郵件檢測(cè)和數(shù)據(jù)匿名化等，做出了重大貢獻(xiàn)。其研究主要聚焦于挖掘非常規(guī)類型的數(shù)據(jù)，包括數(shù)據(jù)流，圖像/網(wǎng)絡(luò)，及文本。關(guān)于數(shù)據(jù)流挖掘，其主要貢獻(xiàn)表現(xiàn)在實(shí)時(shí)捕捉概念漂移，在圖像/網(wǎng)絡(luò)挖掘方面，其貢獻(xiàn)表現(xiàn)在利用數(shù)據(jù)或聯(lián)系的結(jié)構(gòu)框架，這些結(jié)構(gòu)框架在本質(zhì)上是潛在或不斷演變發(fā)展的，在這些實(shí)體對(duì)象中，網(wǎng)絡(luò)是由各種不同類型的連接和結(jié)點(diǎn)構(gòu)成。為了在大數(shù)據(jù)時(shí)代更好地探索各種數(shù)據(jù)的可利用性，Yu近來更多的研究是關(guān)于多資源學(xué)習(xí)，主要是指對(duì)于從多種資源獲取的數(shù)據(jù)進(jìn)行融合，包括多視角數(shù)據(jù)和多模態(tài)數(shù)據(jù)，其研究在多方面得到實(shí)踐應(yīng)用，應(yīng)用領(lǐng)域包括社會(huì)網(wǎng)絡(luò)，電子商務(wù)，健康與大腦信息學(xué)及智能城市等。
Yu博士獲得過許多著名的獎(jiǎng)項(xiàng)，其中包括為大數(shù)據(jù)可擴(kuò)展的索引、查詢、搜索、挖掘及匿名做出突出貢獻(xiàn)并帶來革新而頒發(fā)的2013年IEEE計(jì)算機(jī)協(xié)會(huì)技術(shù)成就獎(jiǎng)，和為其在數(shù)據(jù)挖掘領(lǐng)域做出開拓性貢獻(xiàn)而頒發(fā)的2003年IEEE ICDM研究貢獻(xiàn)獎(jiǎng)。他發(fā)表的論文也獲得了ICDM 2013年10年最高影響論文獎(jiǎng)，和EDBT時(shí)間測(cè)試獎(jiǎng)(2014)。
Yu博士是ACM與IEEE研究員。他是ACM數(shù)據(jù)知識(shí)發(fā)現(xiàn)學(xué)報(bào)主編，是IEEE知識(shí)與數(shù)據(jù)工程學(xué)報(bào)主編(2001-2004)。
Yu博士獲得國立臺(tái)灣大學(xué)E.E學(xué)士學(xué)位，斯坦福大學(xué)E.E碩士與博士學(xué)位，及紐約大學(xué)M.B.A學(xué)位。
前SIGKDD創(chuàng)新獎(jiǎng)獲得者如下： Rakesh Agrawal, Jerome Friedman, Heikki Mannila, Jiawei Han, Leo Breiman, Ramakrishnan Srikant, Usama M. Fayyad, Raghu Ramakrishnan, Padhraic Smyth, Christos Faloutsos, J. Ross Quinlan, Vipin Kumar, Jon Kleinberg, Pedro Domingos, and Hans-Peter Kriegel。
SIGKDD創(chuàng)新獎(jiǎng)包括一塊徽章和一張2,500美元的支票，在舊金山于8月14日星期日，在第22屆ACM SIGKDD知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘(KDD-2016)國際大會(huì)上頒發(fā)。在頒獎(jiǎng)典禮結(jié)束后，Yu博士將開始創(chuàng)新獎(jiǎng)演講。
ACM SIGKDD非常高興宣布Wei Wang獲得2016年服務(wù)獎(jiǎng)，該獎(jiǎng)項(xiàng)用來表彰其在數(shù)據(jù)挖掘領(lǐng)域基礎(chǔ)與實(shí)踐方面做出的卓越技術(shù)貢獻(xiàn)及其為數(shù)據(jù)挖掘協(xié)會(huì)做出的杰出服務(wù)。
ACM SIGKDD服務(wù)獎(jiǎng)是知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘(KDD)領(lǐng)域最高服務(wù)獎(jiǎng)，該獎(jiǎng)項(xiàng)主要頒布給為知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘領(lǐng)域做出突出專業(yè)服務(wù)與貢獻(xiàn)的個(gè)人與團(tuán)體。
長(zhǎng)期以來，Wei Wang一直服務(wù)于數(shù)據(jù)挖掘領(lǐng)域，以促進(jìn)該領(lǐng)域的長(zhǎng)足發(fā)展。作為數(shù)據(jù)挖掘領(lǐng)域世界級(jí)領(lǐng)軍研究者，多年來她擔(dān)任重點(diǎn)數(shù)據(jù)挖掘會(huì)議的核心組織者，其中包括ACM KDD，ICDM，SIAM數(shù)據(jù)挖掘，也曾在100多個(gè)項(xiàng)目委員會(huì)任職。此外，她擔(dān)任過無數(shù)個(gè)頒獎(jiǎng)委員會(huì)的主席，是ACM數(shù)據(jù)知識(shí)挖掘?qū)W報(bào)，IEEE知識(shí)與數(shù)據(jù)工程學(xué)報(bào)，知識(shí)與信息系統(tǒng)，數(shù)據(jù)挖掘與知識(shí)發(fā)現(xiàn)，IEEE大數(shù)據(jù)學(xué)報(bào)助理編輯。
此外，Wei Wang是將數(shù)據(jù)挖掘方法應(yīng)用到生物醫(yī)藥領(lǐng)域的先驅(qū)科學(xué)家。繼首屆生物信息學(xué)，計(jì)算機(jī)生物學(xué)，生物醫(yī)學(xué)信息學(xué)ACM大會(huì)召開以來，她曾擔(dān)任該大學(xué)核心組織者。她也曾在其他高級(jí)生物信息學(xué)大會(huì)，如ISMB，RECOMB與BIBM，項(xiàng)目委員會(huì)任職，也曾擔(dān)任IEEE/ACM計(jì)算機(jī)生物學(xué)與生物信息學(xué)學(xué)報(bào)的助理編輯。鑒于其在跨學(xué)科領(lǐng)域的領(lǐng)導(dǎo)才能，與2015年當(dāng)選為生物信息學(xué)，計(jì)算機(jī)生物學(xué)與生物醫(yī)學(xué)信息學(xué)ACM特殊利益團(tuán)體董事會(huì)成員。
Wei Wang 一直以來全身心投入到征募，啟發(fā)并提升年輕研究者的事業(yè)中，特別是那些女性群體與少數(shù)民族群體。為了增加學(xué)生，尤其是女性學(xué)生和少數(shù)民族學(xué)生，參加高級(jí)會(huì)議的機(jī)會(huì)，她率先將NST基金用于支持學(xué)生旅行獎(jiǎng)學(xué)金，該獎(jiǎng)學(xué)金金額是過去的五倍，使得成百上千名學(xué)生能夠有機(jī)會(huì)出席這些會(huì)議。
她在ACM BCB會(huì)議上努力提升女性在計(jì)算機(jī)科學(xué)領(lǐng)域的地位，該大會(huì)以著名女性學(xué)者的主要演講，女性教師和學(xué)生的促進(jìn)研究的論壇，及為女性學(xué)生頒發(fā)旅行獎(jiǎng)學(xué)金為主要特色。
Wei Wang在賓漢姆頓大學(xué)獲得碩士學(xué)位，在洛杉磯加利福尼亞大學(xué)獲得博士學(xué)位。目前，她是洛杉磯加利福尼亞大學(xué)教授，同時(shí)擔(dān)任該大學(xué)可擴(kuò)展分析研究所和美國國立衛(wèi)生研究院BD2K中心-協(xié)調(diào)中心的聯(lián)合負(fù)責(zé)人。Wei Wang對(duì)聚類高緯度數(shù)據(jù)，序列模式挖掘及圖像挖掘領(lǐng)域做出了杰出貢獻(xiàn)。她是被稱為將數(shù)據(jù)挖掘方法應(yīng)用到生物醫(yī)藥領(lǐng)域的先驅(qū)科學(xué)家，曾發(fā)表過150多篇研究論文，其中有兩篇獲得最佳論文獎(jiǎng)。她在數(shù)據(jù)挖掘研究領(lǐng)域的貢獻(xiàn)受到極大程度的認(rèn)可，獲得NSF事業(yè)獎(jiǎng)，稱為微軟研究院研究員，獲得菲利普和魯思赫特爾曼藝術(shù)與學(xué)術(shù)成就獎(jiǎng)，奧卡瓦基礎(chǔ)研究獎(jiǎng)和CDM杰出服務(wù)獎(jiǎng)。
14名前SIGKDD服務(wù)獎(jiǎng)獲得者如下：Gregory Piatetsky-Shapiro, Ramasamy Uthurusamy, Usama Fayyad, Xindong Wu, The Weka team, Won Kim, Robert Grossman, Sunita Sarawagi, Osmar R. Za?ane, Bharat Rao, Ying Li, Gabor Melli, Ted Senator, and Jian Pei。
該獎(jiǎng)項(xiàng)包括一枚徽章和一張2,500美金的支票，將在舊金山于8月14日星期日，第22屆ACM SIGKDD知識(shí)發(fā)現(xiàn)與數(shù)據(jù)挖掘(KDD-2016)國際大會(huì)上頒發(fā)。
via：KDD2016 Awards
原論文下載：百度網(wǎng)盤
PS : 本文由雷鋒網(wǎng)獨(dú)家編譯，未經(jīng)許可拒絕轉(zhuǎn)載！
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
