赵翔宇

香港城市大学数据科学学院助理教授（长聘轨）、博导

嘉宾简介：赵翔宇，香港城市大学数据科学学院助理教授（长聘轨）、博导。研究兴趣包括数据挖掘，机器学习，信息检索，推荐系统，城市计算。在KDD/WWW/SIGIR/AAAI等发表50多篇论文。他的研究获曾获ICDM’22和ICDM’21 Best-ranked Papers，CCF-腾讯犀牛鸟基金，全球AI华人新星，Bytedance研究合作奖，Criteo研究奖，AAAI/ACM SIGAI 联合博士论文奖提名等奖项。指导团队获得多次国际级大赛特等奖、金奖、微软杰出人工智能影响力奖等。他多次担任会议KDD、WWW、SIGIR、IJCAI中研讨会和教学讲座的组织者和演讲者，获得广泛关注和好评。他研究的模型和算法已经在多家公司的系统中应用。个人主页：https://zhaoxyai.github.io/

赵健安

蒙特利尔大学博士生

嘉宾简介：赵健安，蒙特利尔大学博士生，师从唐建副教授。研究兴趣为知识图谱、自然语言处理等。在ICML, WWW , AAAI, IJCAI, CIKM等会议上发表数篇文章并担任相关会议/期刊审稿人。曾获 CIKM2021 最佳论文奖。

王昊奋

同济大学百人计划、特聘研究员、博士生导师

嘉宾简介：王昊奋，同济大学百人计划、特聘研究员、博士生导师。长期在一线人工智能公司担任CTO之职。他是全球最大的中文开放知识图谱联盟OpenKG发起人之一。他负责参与多项国家级AI相关项目，发表100余篇AI领域高水平论文，被引用次数达到2600余次，H-index达到23。他构建了全球首个可交互养成的虚拟偶像—“琥珀·虚颜”；所构建的智能客服机器人已累计服务用户超过10亿人次。目前，他担任中国计算机学会术语工委副主任，SIGKG主席，上海秘书长，中国中文信息学会理事，语言与知识计算专委会副秘书长，上海市计算机学会自然语言处理专委会副主任，上海交通大学AI校友会秘书长等社会职位。

刘浩

香港科技大学（广州）人工智能学域助理教授、博导

嘉宾简介：刘浩博士，香港科技大学（广州）人工智能学域助理教授、博导。曾任百度研究院资深研究员。研究兴趣主要为时空数据挖掘、图神经网络、强化学习及其在智慧城市领域的应用。近三年在SIGKDD、SIGIR、AAAI、TKDE等国际顶级会议和期刊发表论文30余篇，申请中美专利47项。因其在城市计算和智能交通领域的研究入选福布斯中国 30U30 榜单。主页：https://raymondhliu.github.io/

报告题目：基于图表示学习的下一代智能地图构建

报告简介：近年来，城镇化的快速推进和移动设备的普及产生了巨量城市大数据，如移动轨迹、交通态势、兴趣点（Point-of-Interest）演化等，给百度地图、谷歌地图等现有地图服务提供了新的发展机遇。本次报告主要分享我们最近在下一代智能地图构建方面的进展，具体包括：1）面向城市态势预测的建模和理解技术，提升城市供需预测准确率；2）个性化和情境感知的多模式交通智能推荐技术，提供产品级的一站式出行路线规划。

郭瑾瑾

京东智能城市研究院研究员

嘉宾简介：郭瑾瑾，京东智能城市研究院研究员。硕博毕业于澳门大学智慧城市物联网国家重点实验室，博士毕业后加入京东智能城市研究院，研究方向为时空人工智能、城市计算，以第一作者身份在IJCAI/CIKM/AAAI/TKDD/TIST等会议和期刊发表多篇篇论文，担任多个会议和期刊审稿人。

报告题目：非参数型的时空事件层次化聚类和动态演变过程

报告简介：基于海量的时序文本数据，例如动态的社交媒体数据、在线文档等，从中挖掘动态的时空事件和追溯其演变过程，可应用于动态识别重大灾难事件、追踪舆情事件的发展等方面。随着时序文本数据的更新，现有的在线事件发现模型识别的事件仍然是零碎和无结构化的，无法帮助用户快速消化并找到感兴趣领域的事件。此外，在事件的动态演变过程中，以往的研究主要集中在单个事件的时序依赖关系，忽略了不同事件之间的时序耦合关系，为了解决以上这些问题，作者分别提出了非参数型的事件层次化聚类和动态演变的模型。在层次化聚类模型中，文本数据被动态归类到自适应的层次化结构中，自动形成不同粒度的事件层次化结构。在事件的动态演变过程中，作者融合了不同事件之间的时序耦合关系来模拟了事件的演变过程。

钟宛君

中山大学与微软亚洲研究院联合培养博士生

嘉宾简介：钟宛君，中山大学与微软亚洲研究院联合培养博士生，师从周明博士和段楠博士，王甲海教授和印鉴教授。研究兴趣为知识推理，自然语言处理与多模态学习。曾在ACL/EMNLP/NAACL/NeurIPS/IJCAI/TASLP 等期刊和会议上发表论文十余篇。曾获评“微软学者”以及博士生国家奖学金等荣誉。个人主页：https://github.com/zhongwanjun

报告题目：知识驱动的自然语言推理研究

报告简介：基于知识的自然语言推理研究旨在于提升预训练模型利用知识解决复杂问题的能力。本报告围绕不同的知识类型：非结构化知识、结构化知识、逻辑知识、组合的知识，探索了不同的建模知识的方法：（1）基于预训练模型构建神经-符号化推理模块；（2）通过推理预训练让预训练模型习得推理能力。

朱兆成

Mila实验室/蒙特利尔大学在读博士

嘉宾简介：朱兆成，Mila实验室/蒙特利尔大学在读博士，师从唐建老师，本科毕业于北京大学。他的研究方向包括图表征学习、知识图谱推理、药物发现和机器学习系统，在NeurIPS/ICLR/ICML/WWW等会议上发表多篇论文。他还活跃于机器学习开源社区，其领头开发的TorchDrug平台取得了NVIDIA的资助和PyTorch官方生态系统认可。个人主页：https://kiddozhu.github.io/

报告题目：基于图神经网络的归纳式知识图谱推理

报告简介：知识图谱是一种描述物理世界中概念和关系的结构化知识库，广泛运用于自然语言理解、推荐系统和药物发现等多个领域。如何根据已有的知识推理回答问题，是知识图谱上最为基础的研究问题。目前已有的算法大多依赖嵌入表征进行直推式推理。在本次报告中，我们将为大家介绍如何用图神经网络对知识图谱进行归纳式推理。第一个工作NBFNet将单跳推理问题建模成路径表征学习问题，并使用广义Bellman-Ford算法进行求解。第二个工作GNN-QE结合图神经网络和模糊集合来求解更为复杂的多跳推理问题。两个工作均结合神经网络和传统符号算法（例如personalized PageRank和子图匹配）的优势，在直推和归纳两种设定下取得了显著的效果，并支持可视化每一步推理过程。此外，我们还提出了第一个归纳式多跳推理数据集，并总结了知识图谱上归纳式表征的两种范式。

关于我们