学术主任

赵鑫
1 赵鑫
中国人民大学信息学院副教授,博士生导师

简介:近五年内在国内外著名学术期刊与会议上以主要作者身份发表论文60余篇。所发表的学术论文取得了一定的关注度,据Google Scholar统计,已发表论文共计被引用2800余次,其中以第一作者发表的《Comparing Twitter and Traditional Media Using Topic Models》被引用1100余次。担任多个重要的国际会议或者期刊评审,入选第二届CCF青年人才发展计划。曾获得CIKM 2017最佳短文候选以及AIRS 2017最佳论文奖。

特邀讲者

(学术界   按姓氏拼音排序)

连德富
1 连德富
中国科学技术大学研究员、博导

题目:面向高效在线匹配的推荐系统

简介:中国科学技术大学计算机科学与技术学院研究员,博士生导师。他曾是电子科技大学副教授、悉尼科技大学访问学者,曾入选微软亚洲研究院铸星计划、电子科技大学星火计划。他的主要研究方向是推荐系统、时空数据挖掘、深度学习以及教育数据挖掘。他在KDD、TKDE、TOIS、IJCAI等高水平期刊和会议上发表论文50余篇。他曾获得教育部自然科学一等奖、四川省高等教育教学成果奖二等奖、中科院院长奖、APWeb最佳学生论文等。研究成果得到MIT技术评论、中国科学报、人民日报等多家媒体的广泛报道。

摘要:信息技术的快速发展导致信息过载问题出现。推荐系统是解决信息过载最有效的方式之一。近年来,深度学习的快速发展也带动了推荐系统的发展,各种基于深度推荐算法层出不穷。然而由于候选物品数量巨大且用户兴趣动态变化,深度推荐算法的推荐复杂度巨大,难以在实际系统中直接部署使用。在深度推荐技术发展的同时,物品召回技术也有了较大的发展与进步。本次报告中将简要介绍物品召回的相关技术,包括哈希学习、向量量化等。

李晨亮
2 李晨亮
武汉大学副教授、硕导、珞珈青年学者

题目:基于评论数据的推荐技术

简介:武汉大学国家网络安全学院副教授,硕导,武汉大学珞珈青年学者。担任中国中文信息学会青年工作委员会委员、社交媒体专委会委员、信息检索专委会委员。担任IEEE TKDE、ACM TOIS、JASIST等国际重要学术期刊审稿人和SIGIR、ACL、CIKM、WWW、AAAI、IJCAI等学术会议(高级)程序委员会委员(TPC)。担任信息检索国际权威学术期刊JASIST和IPM的编委。研究兴趣包括信息检索、自然语言处理、机器学习和社交媒体分析,在TKDE、TOIS、SIGIR、ACL、AAAI、CIKM和JASIST等权威会议及期刊发表论文30余篇。并获SIGIR2016 年Best Student Paper Award Honorable Mention;SIGIR2017 年Outstanding Reviewer Award。

摘要:商品的评论数据包含丰富的语义信息,为我们开展个性化的推荐提供了依据。深度神经网络强大的语义抽取与理解能力能克服传统文本语义分析中词袋模型的缺陷,帮助我们更好地刻画用户的喜好与商品的特点,也为基于评论的商品推荐提供了新的机遇。时至今日,基于深度学习技术,面向评论数据的推荐系统已取得了诸多进展。本次报告将对近几年来基于评论数据的推荐技术进行回顾,将主要介绍深度学习技术在该领域以及在推荐可解释性方面的若干进展,最后对基于评论的推荐系统的发展趋势进行展望。

石川
3 石川
北京邮电大学教授、博导、智能通信软件与多媒体北京市重点实验室副主任

题目:基于异质信息网络的推荐技术与应用

简介:北京邮电大学计算机学院教授、博士生导师、智能通信软件与多媒体北京市重点实验室副主任。主要研究方向: 数据挖掘、机器学习、人工智能和演化计算。近五年来,作为第一作者或通信作者发表高水平学术论文50余篇,英文专著一部,包括数据挖掘领域的顶级期刊和会议IEEE TKDE、ACM TIST、KDD、AAAI、IJCAI、WWW等,相关研究成果应用于阿里巴巴、腾讯、华为等公司。获得ADMA2011/AMDA2018国际会议最佳论文奖、CCF-腾讯犀牛鸟基金及项目优秀奖,并指导学生获得顶尖国际数据挖掘竞赛IJCAI Contest 2015 全球冠军。获得北京市高等学校青年英才和师德先锋等称号。

摘要:当前的社会网络分析主要针对同质网络(即网络中结点类型相同),但是现实世界中的网络化数据通常包含不同类型的对象,并且对象之间的关联表示不同的语义关系。构建异质信息网络(即包含不同类型的结点或边的网络)可以包含更加完整的对象之间的关联信息,因此分析这类网络有希望挖掘更加准确的模式。我们将推荐系统的对象和交互关系构建成异质信息网络,这样可以融合更加全面的信息,包含丰富的语义。采用异质信息网络分析方法有潜力提升推荐性能,产生可解释性推荐。本报告将介绍我们近期在这方面的研究进展以及应用案例。

王鹏飞
4 王鹏飞
北京邮电大学助理教授、硕导

题目:基于时序特性的推荐系统的分析与研究

简介:北京邮电大学计算学院助理教授,硕导。个人研究领域包括文本分析、推荐系统。在SIGIR,WSDM,CIKM等学术会议上发表学术论文20余篇·。目前本人带领实验的研究生从事数据挖掘、机器学习方面的工作。

摘要:用户行为的时序性是推荐场景中一个十分重要的特性,近年来引起了人们广泛的关注。其中的核心问题便是如何围绕用户行为的时序性进行推荐模型的设计。本次报告我们从时序推荐场景的上下文信息,以及时序模型选择两方面出发,对基于时序特性的推荐系统进行深入的分析与总结,并对未来进行了展望。

王希廷
5 王希廷
微软亚洲研究院主管研究员

题目:可解释推荐系统:身怀绝技,一招击中用户心理

简介:微软亚洲研究院主管研究员。2011年于清华大学获得工学学士学位。2017年于清华大学获得工学博士学位。她的研究成果发表在数据挖掘和可视化的顶级会议和期刊上,包括KDD、ICML、TKDE、AAAI、IJCAI、VAST和TVCG等。她的一篇一作论文被TVCG选为2016年12月的spotlight article。她是WWW、AAAI等顶级会议的程序委员会成员,曾担任TKDE、TVCG、InfoVis等顶级会议、期刊的审稿人。

摘要:传统的推荐系统将重心放在提高推荐准确性上,与推荐对象的沟通通常考虑得不够。可解释的推荐系统能够给出用户最易接受的推荐解释,充分抓住用户心理与用户沟通。研究发现,这样的系统不仅能够提升系统透明度,还能够提高用户对系统的信任和接受程度 、用户选择体验推荐产品的概率以及用户满意程度等等。在这次报告中,我们将结合最新发表论文,介绍可解释推荐的分类、推荐解释生成方法以及可解释推荐面临的机遇和挑战。

吴乐
6 吴乐
合肥工业大学副教授、硕导

题目:面向复杂社交多媒体平台的个性化推荐算法: 准确度与解释性

简介:2015年从中国科学技术大学毕业,现任合肥工业大学计算机与信息学院副教授,硕士生导师。主要研究领域包括数据挖掘与商务智能,个性化推荐。近五年在知名国际期刊(如 IEEE/ACM Trans.)及国际会议(如SIGIR、AAAI、IJCAI、KDD、SDM、ICDM、CIKM等)发表论文四十余篇。入选了2017年微软亚洲研究院铸星学者访问计划、获得了2017年中国人工智能学会优秀博士论文奖,SDM 2015最佳论文提名奖,2013年CCML优秀学生论文奖。吴乐博士担任了多个国际期刊(如IEEE TKDE、 IEEE TSMC、IEEE TNNLS、ACM TIST、 KAIS、 WWW J.),国际会议(如KDD、WWW、IJCAI、AAAI、MM、CIKM) 及国内期刊(如软件学报、计算机应用)审稿人。

摘要:随着在线社交网络及智能移动设备的普及,社交多媒体时代悄然来临。用户社交化与信息媒体化正悄然改变着人类分享交流及购买产品的方式。社交多媒体平台丰富信息为理解用户意图鸿沟,提升个性化推荐的精确度与解释性带来了机遇。但同时,社交多媒体平台数据的复杂异构性与用户兴趣的复杂隐藏性也对研究提出了挑战。本报告将简要介绍我们在此方向的一些进展,包括:社交网络中基于传播扩散的社交推荐模型,多媒体平台中的基于显示媒体语义信息的可解释个性化推荐模型,及社交多媒体平台中融合多源异构信息构建的通用个性化推荐算法。

徐君
7 徐君
中国人民大学教授、博导、中国人民大学杰出学者

题目:面向搜索和推荐的强化排序学习模型

简介:中国人民大学教授、博士生导师、中国人民大学杰出学者,中国计算机学会高级会员,主要研究面向互联网搜索的文档排序和语义匹配算法,在包括SIGIR、WWW等学术会议和TKDE、JMLR、TOIS、TIST等学术期刊发表论文50余篇,撰写英文专著1部,先后获得SIGIR 2019 Test of Time Award Honorable Mention、CIKM 2017 Best Paper runner-up、AIRS 2010 Best Paper Award,多次担任SIGIR、TheWebConf (WWW)、AAAI、ACML等学术会议资深程序委员会委员(Senior PC),任期刊ACM TIST副主编和JASIST编委。

摘要:在互联网搜索和推荐系统中,排序模型决定了系统向用户所展示的网页或物品顺序,在很大程度上影响着用户的使用体验。近年来,得益于其强大的交互式建模能力,强化学习技术被逐步地被应用于搜索和推荐排序并取得了良好的效果,被称为“强化排序学习”。本报告将介绍近年来强化排序学习在搜索和推荐系统中的研究进展,包括强化学习基础和基于强化学习的网页排序以及商品推荐模型。实验结果表明,在搜索和推荐中强化排序学习均能学习到较优的排序策略。

特邀讲者

(企业界   按姓氏拼音排序)

蔡晶
1 蔡晶
腾讯PCG浏览平台产品部高级研究员

题目:流量变现效果优化:图卷积神经网络在广告动态创意中的实践

简介:毕业于北京航空航天大学,2012-2016在百度推荐与个性化部门工作。期间主要参与百度智能推荐平台,大数据知识图谱及图片搜索广告项目。目前在腾讯PCG浏览平台产品部增长中心担任高级研究员,主要负责增长提效与流量变现方面的工作。

摘要:广告创意是广告主向互联网用户呈现价值的途径,它一般包含文案、图片甚至是音视频。好的创意能很快吸引住用户,让用户理解自己的需求能否被满足。单一的创意形态,很难提高广告对用户的吸引力。动态创意广告是一种创意可以随用户兴趣变化而变化的广告,不同的用户看到它,根据用户的兴趣,展现创意都可能不同。它真正实现了"千人千面",可以极大程度提升广告的投放效率和投放效果。

董大祥
2 董大祥
百度paddlepaddle主任研发工程师

题目:PaddlePaddle在推荐场景下的并行训练技术、模型算法与应用案例

宋洋
3 宋洋
BOSS直聘NLP中心负责人

题目:基于深度匹配技术的人岗推荐

简介:BOSS直聘NLP中心负责人,北京大学计算机系博士毕业,研究方向:自然语言处理、共指消解。曾在ACL、EMNLP等自然语言处理领域国际著名会议和期刊发表多篇学术论文,并担任领域内多个会议和期刊的审稿人。目前负责BOSS直聘的自然语言处理算法及应用开发,以及安全风控技术工作。

摘要:近年来,随着互联网求职招聘平台的不断发展,该场景下的双边匹配推荐问题越来越受到学术界和工业界的广泛关注,本次报告将围绕BOSS直聘NLP中心今年来在KDD、CIKM和EMNLP上所发表的学术论文来介绍基于深度匹配技术的人岗推荐系统,分别是融合历史行为偏好的人岗推荐,联合双边意愿与匹配的人岗推荐,以及领域自适应的人岗推荐。

王帅强
4 王帅强
京东商城数据科学实验室 研究科学家

题目:京东商城推荐系统研究进展

简介:2017年加入京东商城数据科学实验室,研究科学家。加入京东前,曾在英国曼彻斯特大学和芬兰于韦斯屈莱大学任系助理教授。分别于2004年和2009年在中国山东大学计算机科学与技术学院获得学士和博士学位。之后于2010年在美国德克萨斯州立大学计算机课学习做博士后研究工作,2011年至2014年是在山东财经大学计算机科学与技术学院副教授。 研究领域为电子商务推荐系统,信息检索,数据挖掘等。

摘要:当前推荐系统已经成为电子商务网站的基本工具。在真实的线上系统中,由于用户和商品的规模非常大,不可能预测用户对每个商品的偏好程度。一般而言,在工业界,推荐系统排序的整个过程分为两步:候选商品的选取,以及候选商品排序。在本次报告中,将分别介绍京东商城推荐系统基于深度学习和强化学习对这两个步骤的优化探索。

张富峥
5 张富峥
美团点评NLP中心研究员

题目:生活服务领域知识图谱的构建及应用

简介:2现任美团点评NLP中心的研究员,知识图谱团队负责人。目前主要负责构建围绕美团生活服务领域的知识图谱及其应用,为美团各场景业务提供更加智能的服务。在此之前,张富峥博士在微软亚洲研究院担任研究员。他于2015年取得计算机博士学位,由微软亚洲研究院和中国科技大学联合培养。在微软期间,张富峥博士和所其在团队在个性化推荐、用户画像、时空数据挖掘等领域展开了创新性的研究,并应用到广告展示、新闻推荐、机器人小冰等众多产品中。他在相关领域的顶级会议和期刊上发表30余篇论文,如KDD、WWW、AAAI、IJCAI,曾获ICDM2013最佳论文大奖和中科院院长奖。 张富峥博士曾担任ASONAM的工业界主席,长期担任IJCAI、WWW、SIGIR等国际会议和TKDE、TOIS、TIST等国际期刊的评审委员。

摘要:深度学习和知识图谱是近年来人工智能技术蓬勃发展的两大核心驱动力,并且两者呈现出进一步融合的趋势。目前,全球的互联网公司都在积极布局知识图谱,Google Knowledge Graph掀起全球知识图谱热潮,Facebook依赖社交知识图谱提供独特的用户体验,阿里也提出了"藏经阁"知识图谱计划。作为全球领先的生活服务电子商务平台,美团点评拥有围绕吃喝玩乐全场景的丰富数据,通过使用深度学习技术以及自然语言处理技术,对这些跨场景数据进行充分挖掘、映射、聚合与关联,美团NLP中心构建了一个全世界最大的餐饮娱乐知识图谱——“美团大脑”,来促进每个场景下应用服务的智能升级。尤为值得一提的是,美团点评拥有行业内质量最高、覆盖度最广的数十亿条用户真实评价数据,通过细粒度情感分析算法,我们挖掘出口味、服务、价格、环境、位置等各方面有价值的“知识”。首个版本的美团大脑已经拥有超过百亿量级的知识关联,未来预期这一规模会达到数千亿级别,对于数据存储/同步、知识推理、实时计算、算法建模提出了巨大挑战。因此,我们同时正在研发超大规模分布式图数据处理引擎,用来存储和服务美团大脑系统。在这个报告中,我们将介绍知识图谱基础知识及行业现状、"美团大脑"的构建方法、以及目前在搜索推荐、赋能商家等方面的一些初步进展与落地场景。

周畅
6 周畅
阿里巴巴达摩院算法专家

题目:认知推荐的前沿研究与应用

简介:阿里巴巴达摩院算法专家,主要研究方向为图表征学习与推理、推荐系统、分布式图计算,目前已在NIPS, ACL, WWW, AAAI, VLDB等会议上发表17篇文章。研发的大规模商品和用户向量表征学习算法,已在多个个性化推荐场景下获得有效提升。目前专注于创新形态的内容化与可解释推荐。

摘要:传统的推荐系统算法侧重于关注点击转化等指标的优化,在电商环境下,推荐场景也承担着种草养草的需求,需要主动激发用户潜在的兴趣而非当下或者已有的兴趣。而这样的定位需要我们能够有办法能够找到打动用户的切入点并进行合理的引导,这就对如何理解用户提出了更高的要求。我们将从认知的角度,来分享我们在用户商品解离化表征学习、内容生成以及推理方面的工作。

注册费用

  • ◆ 2019年10月25日(含)前注册并缴费:自动化学会会员1600 元/人,非会员报名同时入会2000元/人
    ◆ 现场缴费:会员2000元/人,非会员2500元/人(包含提前报名现场缴费、现场报名现场缴费)
    ◆ 公务卡缴费可现场刷卡,但需要提前提交报名信息方可按优惠价格缴费
    ◆ 在校生参会可享受学生优惠价格499元/人
    ◆ 自动化学会团体会员参加,按会员标准缴费
    ◆ 同一单位3人及以上团体报名,按会员标准缴费
  • ◆ 注册费包括讲课资料和两天会议期间午餐,其它食宿、交通费用自理

缴费方式

  • 方式一:在线缴费
    在线填写报名信息后完成缴费即可。支持支付宝、微信及银联在线支付
  • ◆ 方式二:银行转账
    帐 号:11250101040011739
    户 名:中国自动化学会
    开户行:农行科院南路支行
    地 址:北京市中关村东路95号(100190)
    注:为方便核查缴费状态,烦请您务必在转账时备注“姓名+单位+讲习班”
  • 方式三:现场支付
    请于2019年10月25日下午在现场缴纳
  • 注意事项:
    1、为及时核查缴费状态,请在银行转账时,务必注明姓名、单位等信息,完成注册
    2、会议统一开具“会议注册费”发票
    3、发票和会议通知将在签到时统一发放(现场支付除外)
    4、采用现场支付方式交费的发票和会议通知将于会议结束后统一邮寄