【NeurIPS100】AMiner参会攻略：13000人的NeurIPS大会，如何参加更高效？

NeurIPS100计划是AMiner新推出的一个针对顶会人才和顶会论文的平台化的智能挖掘服务，其目的是对每个顶级会议的100位作者和讲者（人才）进行深度洞察，分析作者之间的关联关系，形成的研究派系、作者的成长路径以及未来的成长脉络预测、跳槽指数等；另外，我们还将针对会议高影响力的100篇重要论文进行深入解读。

NeurIPS 2019前日开幕，作为机器学习领域的顶会之一，每年都是大牛云集、人山人海。

而今年的参会人数更是达到了13000人，先来张现场图感受下，真的是人气爆棚。

如此之多的参会人数，再加上如此之多的论文，如何高效地从会议中获取有效信息成为了一个大难题。

• 一万多参会者中，如何找到的心仪导师或合作者？

• 上百个session中，如何聆听有价值的报告？

• 上千篇论文中，如何找到自己感兴趣的成果？

• 上千名作者中，谁是领域内的专家和新星？

• 上百个技术领域中，他们的关系是什么？

• 我发表了/看到了一篇好论文，如何分享给感兴趣的人？

以上难题，AMiner帮你解决！

AMiner最新推出了会议助手conf-plus、KnoweldgeAtlas、溯源树三大系统工具，让你的学术顶会之旅收获满满。

以下学术君就来详细介绍他们的功能与使用方法。

No.1

会议助手conf-plus

（https://www.aminer.cn/conf/nips2019）

会议助手conf-plus，除了提供NeurIPS 2019会议议程、论文等信息的检索、阅读，还能查看会议的新闻报道、论文解读等最新消息，最为关键的还提供了详尽的入选论文数据分析等内容。

1.Schedule：会议详细议程介绍，包括每场报告的主题、时间、地点，还可点击查看报告对应的论文与作者；

2.Papers：不仅根据关键词对NeurIPS 2019入选论文进行了分类，同时支持论文标题、作者、关键词检索；

点击作者姓名，会弹出一个搜索框，显示出系统检索到的所有同名学者，你可以进行投票，选择这篇论文的正确作者。

当有10人以上选择该学者时，系统会判定这位学者即是该篇论文的作者，并为他打上标签；同时作者还可以链接到小脉星探，预测该学者的获奖概率；

此外，本届获奖论文也作了特别标注；

3.Like：在每篇论文前有👍图标，可以给你喜欢的论文点赞，会在Like栏目里收藏你喜欢的论文；

4.Statistics：主要展示对NeurIPS 2019入选论文的作者与机构的数据分析；

5.Report：包含NeurIPS2019会议相关报道与论文解读。

目前大家看到的是conf-plus1.0版本，后续我们还将集成更多功能，提供大家最有价值的服务，欢迎大家使用并提出建议。

No.2

KnoweldgeAtla

（http://knowledgeatlas.aminer.cn/）

KnoweldgeAtla是一个基于交互、分享和展示的智能知识系统。

通过对NeurIPS2019论文和作者数据的分析，我们生成了一个知识游戏，可以更好地帮助用户寻找他所感兴趣的论文和作者。

具体来说，用户可以：

获取知识：查看概念定义和关系，查看知名论文和作者，给出自己的点评；

检查知识：对自己认为不正确的概念，提出质疑；

添加知识：占领新的概念领地，提名对应的论文和专家；

比拼知识：排行榜将展示用户的得分，比一比谁的知识更丰富！

除了正在召开的NeurIPS，后期我们还会陆续上线AAAI2020、WWW2020、ICLR2020等会议的知识分享。

No.3

溯源树（MRT） 

（https://www.aminer.cn/mrt）

简单来说 ，溯源树是一个可以用来帮助学者研究论文演变过程的工具。

对于一篇论文，溯源树会搜索它的引用并进行自动分类。用户可以对生成的溯源树进行修改，这些记录会在后续反馈到AMiner的算法中。同时，用户还可以下载、分享溯源树。

如何使用溯源树（MRT）？

通过在AMiner中搜索论文，进入论文页面点击右侧的“生成MRT”，用户可以发起这篇论文的生成请求。由于我们的资源有限，目前用户需要将自己的生成请求分享给至少两个好友，邀请他们共同完成这棵树的创建。之后我们的算法将会花费一些时间来完成计算。同时需要注意，目前的算法还无法处理一些缺少相关信息的论文。

具体使用了什么算法？

为了探寻一篇论文的演变轨迹，我们对该论文的引用进行分析。其中论文的直接引用是重要的线索，而它的间接引用也在一定程度上能够反映它的历史发展脉络，因此我们选取了这些引用工作中较有影响力的一部分，使用一系列相关算法进行分析。

具体来讲，该算法对这些引用工作进行了语义特征以及结构特征上的提取，语义特征包含了一篇论文在内容上的一些信息，而结构特征则引入了不同论文之间引用网络拓扑结构的潜在特征。我们认为，语义上相近的论文之间往往会共享一些主题，而引用关系则体现了他们在发展上的关联。将这些特征结合后，我们采用了无监督学习的聚类算法把这些论文分为若干类，每一类按照其时间轴展现出来。

在此基础上，我们对于每个类别的论文进一步进行语义特征提取，生成该类别的标签。后期我们还会进一步改进算法，将用户反馈作为半监督学习信息加入系统中，改进聚类效果。