2023年8月，中国计算机学会（CCF）推荐的B类国际学术会议 CIKM2023论文接收结果公布，广东智慧教育研究院投稿的多篇论文被顺利录取！

第32届国际计算机学会信息与知识管理会议（The 32nd ACM International Conference on Information and Knowledge Management, CIKM 2023）是信息检索和数据挖掘顶级会议之一，同时也是CCF推荐的B类国际会议，在相关领域享有较高学术声誉。CIKM 2023计划于2023 年 10 月 21 日 - 10月25日在英国伯明翰召开。这次会议共收到1472篇长文投稿，其中354篇长文被录用，录用率约24%；共收到554篇短文投稿，其中152篇短文被录用，录用率约27.4%。

入选论文介绍

论文题目：KG4Ex: An Explainable Knowledge Graph-Based Approach for Exercise Recommendation

作者：Quanlong Guan, Fang Xiao, Xinghe Cheng, Liangda Fang, Ziliang Chen, Guanliang Chen, Weiqi Luo

通讯作者：Liangda Fang

论文概述：有效的习题推荐对于引导学生的学习轨迹和培养他们对学科的兴趣至关重要。然而，庞大的习题资源和学生个体的学习能力差异给选择合适的习题带来了巨大挑战。基于协作过滤的方法往往难以推荐合适的练习，而基于深度学习的方法缺乏解释，限制了其实际应用。针对这些局限，本文提出了基于知识图谱的习题推荐方法KG4Ex。具体来说，本文引入一个特征提取模块来表示学生的学习状态，并构建一个知识图谱来进行练习推荐。该知识图谱由三个关键实体（知识概念、学生和练习）及其相互关系组成，可用于推荐合适的练习。通过对三个真实世界数据集进行大量实验和专家访谈，证明了KG4Ex相对于现有基准方法的优越性，并突出了其强大的可解释性。

论文题目：Assessing Student Performance with Multi-granularity Attention from Online Classroom Dialogue

作者：Jiahao Chen, Zitao Liu, Shuyan Huang, Yaying Huang, Xianyu Zhao, Boyu Gao, Weiqi Luo

通讯作者：Zitao Liu

论文概述：在现实世界的教育场景中，准确判断学生的持续表现非常关键。在文中，重点是在在线学习环境中，从师生课堂对话数据中自动预测学生对数学问题的掌握程度。提出了一种新颖的神经网络，该网络配备了多粒度关注机制，可以从噪声非常大的师生对话记录中捕捉个性化的教学指令。文章在真实世界的教育数据集上进行了实验，结果表明本文提出的模型在各种评价指标上都具有优越性和可用性。

论文题目：Rethinking Sensors Modeling: Hierarchical information

Enhanced Traffic Forecasting

作者：Qian Ma, Zijian Zhang, Xiangyu Zhao, Haoliang Li, Hongwei Zhao, Yiqi Wang, Zitao Liu, Wanyu Wang

通讯作者：Xiangyu Zhao, Hongwei Zhao

论文概述：随着城市化的加速发展，交通预测在智能城市建设中变得至关重要。在时空预测的背景下，关键在于如何建立传感器之间的依赖关系模型。然而，现有的研究基本上只考虑传感器之间的微观关系，将传感器视为平等的，忽略了宏观上的依赖关系。本文提出重新思考传感器的依赖建模，从地区和全局的角度进行。特别地，将具有高地区内相关性的原始传感器合并为一个地区节点，以保留地区间的依赖关系。然后，生成代表性和常见的时空模式作为全局节点，以反映传感器之间的全局依赖关系，并为时空依赖学习提供辅助信息。为了追求节点表示的普适性和真实性，在物理数据空间中引入了元GCN来校准地区和全局节点。此外，设计了跨层次图卷积，以传播来自不同层次的信息。总而言之，文章提出了一种层次化信息增强时空预测方法，HIEST，用于创建和利用地区依赖和常见的时空模式。大量实验证明HIEST领先最先进的基线方法。

论文题目：MLPST: MLP is All You Need for Spatio-Temporal Prediction

作者：Zijian Zhang, Xiangyu Zhao, Qidong Liu, Chunxu Zhang, Qian Ma, Wanyu Wang, Hongwei Zhao, Yiqi Wang, Zitao Liu

通讯作者：Xiangyu Zhao, Wanyu Wang, Hongwei Zhao

论文概述：交通预测是一种典型的时空数据挖掘任务，对公共交通系统具有重要意义。考虑到其广泛应用的需求，文章确定了理想的时空预测方法的关键要素：高效、轻量和有效。然而，当前基于深度模型的时空预测解决方案通常具有复杂的架构和繁琐的优化，很难满足这些期望。为了实现上述目标，本文提出了一种直观而新颖的框架MLPST，即纯多层感知器架构用于交通预测。具体而言，首先从局部和全局感受野中捕捉空间关系。然后，全面考虑不同时间间隔的时间依赖关系。通过紧凑而迅速的MLP处理，MLPST能够很好地捕捉空间和时间依赖关系，同时只需要线性计算复杂度，以及比基线低一个数量级的模型参数。大量实验证实了MLPST相对于先进基线的优越有效性和高效性，而在具有最佳准确性的模型中，MLPST实现了最佳的时间和空间效率。

论文题目：PromptST: Prompt-Enhanced Spatio-Temporal Multi-Attribute Prediction

作者：Zijian Zhang, Ze Huang, Zhiwei Hu, Xiangyu Zhao, Wanyu Wang, Zitao Liu, Junbo Zhang, S.Joe Qin, Hongwei Zhang

通讯作者：Xiangyu Zhao

论文概述：在信息爆炸的时代，时空数据挖掘成为城市管理的关键部分。考虑到需要关注的各个领域，如交通状态、人类活动和社会事件，同时预测多个时空属性可以减轻监管压力并促进智能城市建设。然而，由于不同属性之间的复杂关系，当前的研究无法很好地处理时空多属性预测。关键挑战在于如何处理共同的时空模式，同时解决它们之间的差异。本文提出了一种有效的解决方案，PromptST，用于时空多属性预测。本文设计了一个时空转换器和一个参数共享的训练方案，以处理不同时空属性之间的共同知识。然后详细介绍了一种轻量级的时空提示调整策略，以适应特定属性。通过预训练和提示调整阶段，文中提出的PromptST能够通过提示骨干模型适应特定目标属性，同时保持学习到的共同知识，从而增强对特定时空特征的捕捉。对真实世界数据集的大量实验证实了PromptST达到了最先进的性能。此外，文章还证明了PromptST在未见过的时空属性上具有良好的可迁移性，这为城市计算带来了巨大的应用潜力。