某机构学者荣获数据挖掘十年最高影响力奖

某机构学者、明尼苏达大学双城分校杰出教授George Karypis因其与合作者共同发表的论文《SLIM: Sparse Linear Methods for Top-N Recommender Systems》获得2020年IEEE数据挖掘会议（ICDM）颁发的十年最高影响力奖。该奖项每年颁发给十年前发表的ICDM论文，以表彰其对数据挖掘领域的重大影响。

算法创新与实用价值

论文提出了一种新颖的算法方法，能够高速生成高质量的电子商务产品推荐。该方法使算法能够根据用户交互历史，识别出用户最可能感兴趣的商品子集。为实现计算可扩展的推荐，论文提出了一类全新方法，通过从数据中学习稀疏的物品-物品相似性矩阵（SLIM）来实现。这些方法基于传统的基于物品的邻域方案，但采用统计学习技术直接从数据中估计相似性矩阵。

持续的技术影响力

Karypis表示：“我们十年前进行的研究在2020年显得尤为重要，因为消费者在线购买的商品数量已达数十亿。最初在ICDM 2011上展示的结果表明，SLIM在计算效率方面优于所有先前发布的方法。事实上，2019年ACM推荐系统会议最佳论文奖得主《我们真的取得了很大进展吗？对近期神经推荐方法的担忧分析》指出，SLIM实现的性能至今仍极具竞争力。”

实际应用与工具开发

Karypis的研究成果包括开发、分发和持续改进用于串行和并行计算机上图与超图划分的软件工具。这些工具组成了METIS图与超图划分软件家族，被广泛应用于不同领域的图和超图划分。

在某机构，Karypis的团队正在开发深度图库（DGL），这是一个易于使用、高性能且可扩展的Python包，用于图上的深度学习。DGL是一个框架，允许开发者编程一类称为图神经网络（GNN）的机器学习模型。DGL补充了现有的基于张量的框架（如TensorFlow、PyTorch和MXNet），以支持不断增长的深度图学习领域。

学术合作与认可

Karypis与现任俄亥俄州立大学生物医学信息学与计算机科学与工程系副教授的Xia Ning共同完成了该论文。Karypis在论文发表时是Ning的博士导师。Karypis表示：“我很荣幸在职业生涯中与Xia Ning这样的合作者共事，并感谢ICDM奖项委员会对我们工作的认可。”

该研究成果体现了数据挖掘和推荐系统领域的重要进展，其提出的方法在电子商务和大规模数据处理中具有持续的实际应用价值。