5月19日，国际知识发现与数据挖掘学术会议KDD 2022评审结果出炉，人工智能研究院电子信息专业2020级硕士研究生于澎洋以第一作者完成的论文“Multiplex Heterogeneous Graph Convolutional Network”被Research Track录用，该论文在研究院于彦伟副教授指导下完成。于彦伟副教授参与合作的另一篇论文“Multi-Behavior Hypergraph-Enhanced Transformer for Next-Item Recommendation”也被Research Track录用。届时他们将在会议上展示成果并做学术报告。

会议介绍

　　国际知识发现与数据挖掘学术会议(ACM SIGKDD Conference on Knowledge Discovery and Data Mining，简称KDD)是数据挖掘领域的旗舰学术会议，入选为中国计算机学会（CCF）推荐的A类国际学术会议，至今已成功举办27届。第28届国际知识发现与数据挖掘学术会议（KDD2022）将于2022年8月14日至18日在美国华盛顿特区召开。KDD是由ACM的数据挖掘及知识发现专委会主办的数据挖掘领域的顶级年会，今年KDD的Research Track从1695篇投稿中接收了254篇（接收率约为14.99%）。

论文介绍：多层异质图卷积网络

Multiplex Heterogeneous Graph Convolutional Network

　　作者：于澎洋，付超凡，于彦伟[通讯作者]，黄超[通讯作者]，董军宇

　　简介：异质图卷积网络在处理异质网络的各种分析任务方面得到了广泛的应用，例如：链路预测、节点分类等。然而，现有的研究大多忽略了节点之间不同类型的交互关系（多层网络）以及获得节点表征所需元路径中不同关系的重要性，因而难以捕获跨越不同关系的多模态结构信号。本文中，我们提出了一种多层异质网络的表征学习方法 (MHGCN)。MHGCN模型可以通过多层卷积聚合自动学习多层异质网络中不同长度的有效元路径信息，并将多关系结构信息和节点属性信息有效地集成到无监督和半监督学习范式以学习节点表征。我们在五个真实数据集上进行了大量实验评估，实验结果表明，与最先进的基线相比，MHGCN在有效性和效率方面均具有显著优势。