知识为意，图谱为形，探究知识图谱新未来 | CNCC2021

姬水旺

德州农工大学计算机科学与工程系教授

讲者简介：Shuiwang Ji is currently a Professor in the Department of Computer Science & Engineering, Texas A&M University. He received the Ph.D. degree in Computer Science from Arizona State University in 2010. His research interests include machine learning, deep learning. Dr. Ji received the National Science Foundation CAREER Award in 2014. Currently, he serves as an Associate Editor for IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), ACM Transactions on Knowledge Discovery from Data (TKDD), and ACM Computing Surveys (CSUR). He regularly serves as an Area Chair or equivalent roles for AAAI Conference on Artificial Intelligence (AAAI), International Conference on Learning Representations (ICLR), International Conference on Machine Learning (ICML), International Joint Conference on Artificial Intelligence (IJCAI), ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD), and Annual Conference on Neural Information Processing Systems (NeurIPS). Dr. Ji is a Distinguished Member of ACM and a Senior Member of IEEE.

报告题目: Deep Learning for Quantum Chemistry and Physics

报告摘要: Quantum chemistry and physics study atomic and subatomic behaviors of particle sxystems. While physics-based equations and computations can be used, they are computationally prohibitive, limiting current studies to many-body systems with a small number of particles. In this talk, I will talk about our work on using deep learning to expedite scientific discoveries in quantum chemistry and physics. We develop and use various graph neural networks to make predictions for quantum systems. We can also generate molecular and quantum systems using generative models. To aid domain understanding, we develop explainability methods to interpret the results of deep models.

汤继良

密歇根州立大学计算机科学与工程系 副教授

讲者简介：汤继良于2016年秋季加入密西根州立大学，担任计算机科学与工程系助理教授。2021年晋升于副教授。在这之前，他曾担任雅虎研究院研究员。他于2015年从亚利桑那州立大学取得博士学位。他曾经获得2021 IEEE 大数据安全研究奖，2020 SIGKDD新星奖(Rising Star Award)和包括KDD、WSDM等在内的7项领域会议的最佳论文奖（或者提名）。他的博士论文获得2015 SIGKDD最佳博士论文(KDD Best Dissertation)亚军和院长优秀博士论文奖(Dean’s Dissertation Award)。他是SIAM数据分析小组和ACM TKDD期刊的秘书长。他经常当任会议的组织者(如：KDD，SIGIR和WSDM)和期刊的主编（如：TKDD）。他的研究成果发表在领域顶级的期刊和会议上，现已获得了超过16,000多次的引用（h-index: 61）和媒体广泛的关注和报道（如：New Scientist）。

报告题目：从优化的角度理解和设计图神经网络

报告摘要：图神经网络(GNNs)在图学习表示中展示了它们的强大的能力。近年来已经涌现出了大量的GNN模型。在本次演讲中，我首先讲解如何将众多GNN模型统一地理解为一个传统的图上的优化问题，即图去噪问题。这种理解为我们提供了一种从优化角度设计GNN模型的新思路。作为示例，我们接着展示了如何从这个新的角度设计自带鲁棒性的GNNs。除此之外，如果您想对图深度学习全面了解，请关注我们“图深度学习(deep learning on graphs)”书。

王杰

中国科学技术大学 教授

讲者简介：王杰，中国科学技术大学教授，IEEE Senior Member，CCF人工智能与模式识别专委会执行委员和大数据专委会委员, 曾任美国密歇根大学研究助理教授。长期从事人工智能、机器学习等相关领域的研究，主要研究方向包括：自然语言处理、强化学习与机器博弈、大规模机器学习优化算法等。在机器学习国际顶级期刊及会议（IEEE TPAMI、JMLR、NeurIPS、ICML、AAAI和KDD等）发表文章40余篇，曾连续三年受邀在NeurIPS大会上做Spotlight报告，曾获KDD 2014 Best Student Paper Award。担任Neurocomputing 副主编，北京智源研究院青源会首批会员，ICME Tutorial Chair，CCF AI领域主席，NeurIPS、ICML、KDD、ICLR、AAAI、IJCAI等AI国际会议(高级)程序委员会委员，JMLR、IEEE TPAMI、IEEE TIP等期刊审稿人。

报告题目：基于知识图谱的推理技术——从简单推理到复杂推理

报告摘要：知识图谱蕴含丰富的人类先验知识，具有重要的学术价值和广泛的应用前景。知识图谱推理作为知识图谱领域的核心技术，能够极大地扩展现有知识的边界，同时有力地辅助人类进行智能决策。我们将结合知识图谱近年来的研究趋势与应用场景，介绍知识图谱推理技术面临的挑战与机遇，并重点介绍从简单到复杂的推理技术。

冯扬

贝壳找房人工智能技术中心 高级总监

讲者简介：冯扬，北京理工大学信息工程学博士，曾就职于新浪微博、腾讯、搜狗等互联网公司任推荐技术专家，从事推荐算法研究及推荐系统的研发工作。研究领域为数据挖掘、机器学习、推荐系统等，主持并实施了社交媒体数据挖掘，社交网络用户关系模型构建，微博推荐体系和系统搭建，微博视频语义分析系统等。2017年加入贝壳找房，负责⻉壳大数据、数据挖掘、智能搜索、机器学习等。目前致力于AI在居住领域中的应用，包括面向经纪人的智能助手、“房-客-人”智能匹配、房/客/门店分级等。

报告题目：知识图谱在产业互联网中的应用

报告摘要：知识图谱解决多源异构、不同精度知识的汇聚、表达和推理，广泛应用于搜索、推荐、自动问答、风控等领域。居住服务行业的数据和场景具有相同的特点，借助知识图谱将行业中分散的实体、隐含关系进行构建和表达，并在此基础上应用于分级匹配、服务者技能提升、作业提效以及业务风险识别等。本次报告中将结合贝壳找房在居住行业方面的实践，分享在产业中构建知识图谱所面向的问题、思路、评估方法，以及基于案例分享知识图谱在产业互联网中的应用价值。

马建强

腾讯 高级研究员

讲者简介：马建强，腾讯高级研究员、在线视频知识图谱负责人，长期从事自然语言处理和知识图谱等方向的研究与应用，曾在德国图宾根大学、某头部Fintech公司和平安人寿负责NLP基础技术研究、金融知识图谱落地和AI中台建设等工作。本科和硕士分别毕业于哈尔滨工业大学（计算机）和荷兰格罗宁根大学（语言与通信技术）。在国际会议和期刊发表论文多篇，担任ACL、EMNLP、NAACL、COLING、AAAI、IJCAI等AI顶会程序委员会委员。

报告题目：领域知识图谱在腾讯的落地实践

报告摘要：与通用知识图谱相比，领域知识图谱的特点是，可以深度建模领域知识，更紧密地支撑复杂业务，因此成为近年来人工智能技术在产业界落地的热点之一。本报告介绍知识图谱在腾讯业务场景中的应用，并以在线视频知识图谱为例，分享领域图谱的建设及其在搜索推荐等应用中落地的挑战和进展。