电子科大软件学院学生在数据挖掘顶级会议KDD 2022上发表两篇论文

该研究提出了一种新的时空图数据学习方法SPGCL，解决了现存时空图预测模型中的邻接关系不完善问题（如图1所示），证明了节点和其邻居的全局最优和迭代的局部最优等价，并且利用对比学习和正例-无标签学习提出了自适应的构图方法，能为不同的节点寻找相适应的互信息最大化的邻居集合，同时使得预测损失最小化。相比较以往相关研究，该研究的优势在于一是能动态地构建 络而不是基于静态的超参数；二是为通过互信息建立优化目标函数提供理论依据；三是不依赖某个特定的特征和预处理，而是通过对比学习强化嵌入表示。该研究可作为通用算法应用于时空属性预测任务，在公开数据集上进行的大量实验，证明了与之前最先进的基线方法相比该方案的优越性。

该研究专注于街道级IP地址定位问题，即将给定的任意IP地址识别为其所在的地理位置标识。此前，该问题主要通过测量路由时延等拓扑信息，或整合IP相关数据库的特征实现。然而传统方法存在信息局限性问题，忽略了IP地址与地标之间的关系。该研究通过引入图神经 络来克服这一局限性，并提出了系统性的IP街道级定位框架GraphGeo（如图1所示）。该框架首先以公共路由器为中心，构建目标IP与地标之间的结构关系，并通过空间距离和特征相似度进行赋权。随后通过图神经 络融合IP地址的特征和邻域关系，提取区域公共知识和拓扑。此外，针对 络环境的不稳定性，该方法进行了概率性建模，使得图结构学习和IP定位结果更具鲁棒性。

KDD为数据挖掘领域的顶级会议，中国计算机学会（CCF）评级为A类会议。KDD包含两个Track，其中 Applied Data Science Track面向工业、互联 和商业等实际数据科学应用场景，Research Track则聚焦于数据挖掘理论、技术和算法的创新性研究，本届KDD两个Track的录用率分别为25%和15%。