¿Qué nivel de conferencia es wsdm?
WSDM es la principal conferencia internacional en el campo de la recuperación de información y minería de datos. Está organizado por cuatro comités especializados: SIGIR, SIGKDD, SIGMOD y SIGWEB, y goza de una gran reputación académica en el campo de la búsqueda en Internet y la minería de datos. 2021 1 Hasta ahora, el Instituto Gaoying de Inteligencia Artificial ha publicado o ha sido publicado en 67 revistas y artículos de conferencias internacionales CCF A, y 34 revistas y artículos CCF B.
En la búsqueda conversacional, es muy importante utilizar la interacción histórica del usuario con el motor de búsqueda para mejorar la eficiencia de la recuperación de documentos. Pero no toda la información histórica es útil para clasificar los documentos candidatos. De hecho, los usuarios suelen expresar sus preferencias en el proceso de modificación de cada consulta, lo que puede ayudarnos a capturar información útil en las interacciones históricas.
Como recurso importante, el mapa de conocimiento se ha utilizado ampliamente en la recuperación de información, sistemas de recomendación, procesamiento del lenguaje natural y otros campos. Sin embargo, los mapas de conocimiento a menudo adolecen de elementos incompletos. La finalización del conocimiento utiliza la información estructurada del gráfico de conocimiento para predecir los triples faltantes en el gráfico de conocimiento y se ha convertido en un punto de investigación en el campo de los gráficos de conocimiento. La predicción del tipo de entidad es un medio eficaz para completar el gráfico de conocimiento.
Un método de representación de series temporales eficiente y universal
1. Método de diccionario para encontrar los valores propios de segmentos de series temporales.
2. Método de forma, que busca formas de onda especiales para la segmentación de series temporales.
3. El método de agrupación encuentra características de clasificación para la segmentación de series temporales.
Con base en los antecedentes anteriores, con el fin de describir la información dinámica de las series de tiempo y proporcionar una representación de modelo interpretable para la detección de anomalías, este artículo intenta mapear Shapelet en series de tiempo, explorar la sensibilidad de la posición, y acumular cambios a lo largo del tiempo y construir un gráfico para representarlos, formando así un método de análisis de anomalías y modelado de series temporales razonable e interpretable.