作者 | 陈大鑫

10月19日-10月23日，第29届国际计算机学会信息与知识管理大会（CIKM 2020）在线上召开,官网： 。

CIKM是CCF推荐的B类国际学术会议，是信息检索和数据挖掘领域顶级学术会议之一。

本届CIKM会议共收到920篇论文投稿，其中录用论文193篇，录取率约为21%。

今年共有两篇论文

1、一作新加坡国立大学的《FANG: Leveraging Social Context for Fake News Detection Using Graph Representation》，

2、一作皇家墨尔本理工大学《Do People and Neural Nets Pay Attention to the Same Words? Studying Eye-tracking Data for Non-factoid QA Evaluation》

共同获得了最佳长论文奖：

以下介绍这两篇最佳长论文。

1 最佳长论文一

论文链接：

论文介绍：

本文提出了一种新的框架FANG，它可以用于虚假新闻检测的图形化社会语境（上下文）表征和学习。

FANG框架

与之前的上下文模型以性能为目标不同，本文的重点是表征学习。与直接推理（transductive）模型相比，FANG不需要维护所有节点，在训练中具有可伸缩性，并且在推理时效率高，无需重新处理整个图。

FANG学习算法步骤：

我们的实验结果表明，与最新的图形和非图形模型相比，FANG更善于将社会上下文信息捕捉到高保真（high fidelity ）的表示中。

特别是，FANG在虚假新闻检测方面有了显著的提升，并且在训练数据有限的情况下具有很强的鲁棒性。

本文进一步证明FANG所学到的表征还可以推广到相关的任务上，例如预测新闻媒体的报道真实性。

2 最佳长论文二

论文链接：

论文介绍：

本文调查了用户如何评估Non-factoid问题的文章长度的答案。

作者进行了一项研究，在这个研究中，答案会呈现给用户，有时会自动高亮显示单词。

无高亮：

有高亮：

用户的任务是评估答案的质量、正确性、完整性和简洁性。答案中的单词也会被注释：既通过用户标记显式地标注，也通过从眼球追踪获得的用户注视数据中隐式标注。

结果表明，答案的正确性很大程度上取决于答案的完备性，而简洁性并不重要。对注释词的分析表明正确答案和不正确答案的评价是不同的。

自动高亮显示帮助用户在保持准确性的同时可以更快地评估答案，特别是当高亮显示与注释类似时。

本文对一个Non-factoid 问答任务的BERT模型进行了微调，以检查该模型是否关注与注释的单词相似的单词。

因此，本文提出了一种利用BERT注意力图生成建议的方法，模拟用户评价时的眼球注视。

最后，文末附上今年所有最佳长论文的提名：

[赠书福利]

AI科技评论联合【机械工业出版社华章公司】为大家带来15本“新版蜥蜴书”正版新书。

在10月24号头条文章《1024快乐！最受欢迎的AI好书《蜥蜴书第2版》送给大家！》留言区留言，谈一谈你对本书内容相关的看法和期待，或你对机器学习/深度学习的理解。

AI 科技评论将会在留言区选出 15名读者，每人送出《机器学习实战：基于Scikit-Learn、Keras和TensorFlow（原书第2版）》一本（在其他公号已获赠本书者重复参加无效）。

活动规则：

1. 在留言区留言，留言点赞最高的前 15 位读者将获得赠书。获得赠书的读者请联系 AI 科技评论客服（aitechreview）。

2. 留言内容会有筛选，例如“选我上去”等内容将不会被筛选，亦不会中奖。

3. 本活动时间为2020年10月24日 - 2020年10月31日（23:00），活动推送内仅允许中奖一次。