论文链接 http://link.springer.com/book/10.1007/978-3-319-55753-3?page=2#toc

1. Learning the Structures of Online Asynchronous Conversations
   挖掘对话中实际的顺序，而不是按时间序列。采用的是豆瓣数据验证（goal是挖掘对话like wechat，但实际上只有豆瓣数据做验证）
   方法： 矩阵， 目标函数， 时间解决的问题： 找到message n 所回复的 message m， TF-DFmodel？ 短对话而非normal
   存在的问题： 回复的关系是一条消息只对应一个回复对象（而不是一对多）
   清华大学的学生，报告很有水平，口语很好
2.  A Question Routing Technique using Deep Neural Network for Communities of Question Answering
   QR-DSSM
   目标： 根据所要解决的问题，rank相关的专家来回答问题。（routing）
   Ranking Model， SVM， LDA
   data: stack overflow问答社区
3. A General Fine-Grained Truth Discovery Approach for Crowdsourced Data Aggregation
   目标： 通过多个layer矩阵，分配众包
   LDA主题模型， 通过聚类方法得到多个聚类，然后将聚类作为对象建立矩阵关系
   矩阵关系直接是怎么联想的？最后目标是什么？
4. Category-Level Transfer Learning from Knowledge Base to Microblog Stream for Accurate Event Detection
   without adjusting the threshold, LDA作为对比对象
   问题（目标）： transfer KB's category-level info into microblog stream
   1) Extrating Category-level Topics in KB
   2) Transferring category-level info into Microblog Stream
   3) Detecting Events on Category-level ...
   数据： 知识库，维基百科

Data Mining => 挖掘数据中蕴含的模式？

1. Efficiently Discovering Most-Specific Mixed Patterns From Large Data Trees
   动机：不是简单tree而是混合tree pattern （当前大多数方法都是简单tree）
   mixed pattern 能够融入更多信息和细节（用图展示了）
   input data, morphism, pattern
   方法：
2. Fast Extended One-Versus-Rest Multi-label SVM Classification Algorithm Based on Approximate Extreme PointsSemi-Supervised Network Embedding
3. Max-Cosine Matching Based Neural Models for Recognizing Textual Entailment
   讲 Recognizing textual entailment
4. An Intelligent Field-aware Factorization Machine Mode
   论文有待阅读，启发：英语口语很重要。

Recommendation

1. Leveraging Kernel Incorporated Matrix Factorization for Smartphone Application Recommendationn
   Kernel function; 基于PMF进行修改; 融入category-info; 梯度下降求解；根据用户安装的APP数据推荐用户可能感兴趣的APP.
2. Perference integration in context-aware recommendation
   Group Divisionn Tree (减去不需要的信息，有些信息反而会影响最终的结果) Incorporate two-layer preference to provide the recommendatin lists. 这篇文章的做法有点像GTRM。三维的实验结果图看起来不错。
3. Jointly Modeling Heterogeneous Temporal Properties in Location Recommendation
   融合多个时间粒度（月，星期，天，小时等）的地点推荐。（EM求解）
4. Location-Aware news recommendation Using Deep Localized Semantic Analysis
   物理距离，主题相似距离；
   改进ELSA模型？（Explicit Localized Semantic Analysis）
   Wikipedia-based topic model?跟距离有什么关系
   提出了三种方法：
   CLSA: Clustering-based localized Sementic Analysis
   ALSA: Autoencoder-based
   DLSA: Deep Localized Semantic Analysis
   Twitter dataset and Wikipedia snapshot to construct topic space.
5. Review-Based Cross-Domain Recommendation through Joint Tensor
   Domain-unbalanced?
   transfer model? 传统方法在transfer方面的信息局限于用户信息，这篇文章不太一样，不一样在哪？
   transfer user latent factors
   transfer aspect latent factorsoveall rating prediction