数据科学领域的首要跨学科会议KDD 2020很高兴地宣布SIGKDD最佳论文奖的获得者，以表彰SIGKDD年度会议上提出的可增进基本理解的论文数据和数据挖掘中的知识发现领域。从最初提交的2,000多篇论文中选出优胜者，以供会议考虑。在参加会议的338篇论文中，获得了三项大奖：研究领域的最佳论文，应用数据科学领域的最佳论文和最佳学生论文。

“在KDD 2020上发表有关数据科学的高级同行评审论文的兴趣空前，而且提交的质量非常出色。” KDD 2020最佳研究论文选择委员会主席兼UC San杰出科学家Michael Pazzani博士指出。迭戈 “奖项委员会经过漫长而艰辛的讨论，在对行业的潜在影响以及对数据科学知识发现领域的深刻理解方面，我们认为超越了所有其他论文。” 加州理工学院的Bren教授，NVIDIA的机器学习研究总监Anima Anandkumar和Pazzani博士一起加入了组织委员会，担任应用数据科学领域的主席。

SIGKDD 2020年最佳论文如下：

研究轨道： “在采样度量的项目建议书”，由瓦利德Krichene(谷歌)和斯特芬Rendle(谷歌) -有很详细的调查取样的指标，研究人员证明，取样指标与他们的确切版本不一致的，在这个意义上，他们不要坚持相对陈述。本文说明，可以通过应用校正来提高采样指标的质量，该校正是通过最小化诸如偏差或均方误差之类的不同标准而获得的，并且为理解推荐评估中的采样问题提供了新颖的视角。创新的分析和可靠的结果。

应用数据科学专栏： “实时时态上下文推荐”，作者：马一飞(Amazon)，Murali Balakrishnan Narayanaswamy(亚马逊)，林海滨(Amazon)和郝鼎(Amazon)—作者提出了一个黑盒推荐器该系统无需手动调整即可适应各种场景。本文提出了将推荐系统应用于现实世界时的两个基本挑战：如何即使在数百万个独特商品中也如何有效地对其进行培训，以及如何应对不断变化的商品流行趋势，同时还介绍了一种紧凑型模型来应对实时和多样化元数据需求。

学生论文： “ TIPRDC：任务无关隐私尊重的数据众包框架深度学习与匿名的中间表示，”由昂李(杜克大学)，一笑段(北京航空航天大学)，环瑞扬(杜克大学)，怡然陈(杜克大学)和杨建磊(北京航空航天大学)—学生展示了一个匿名匿名中间表示的任务独立的尊重隐私的数据众包框架。该框架的目标是学习一种特征提取器，该特征提取器可以从中间表示中隐藏隐私信息，同时最大程度地保留嵌入在原始数据中的原始信息，以供数据收集器完成未知的学习任务。

研究领域和应用数据科学领域的技术计划委员会确定并提名了一组具有高度选择性的论文，以最佳论文奖。然后，由加州大学圣地亚哥分校的Michael Pazzani教授(研究方向)和加利福尼亚理工学院的Anima Anandkumar教授(应用数据科学方向)领导的两个独立委员会分别对提名的论文进行了审查。

关于ACM SIGKDD：

ACM是面向研究人员和专业人员的全球领先的专业组织，致力于研究知识发现和数据挖掘的科学和实践。SIGKDD是ACM的知识发现和数据挖掘特别兴趣小组。一年一度的KDD国际知识发现和数据挖掘国际会议是有关数据挖掘，数据科学和分析的首要跨学科会议。