抢票 | AI未来说学术论坛第11期：信息检索与知识图谱专场

2019 年 11 月 19 日 PaperWeekly

AI已来，而你来不来！？

人工智能论坛如今浩如烟海，有硬货、有干货的讲座却百里挑一。“AI未来说”青年学术论坛第11期如约而至。来自人民大学、北京邮电大学、百度的各位专家和青年才俊，共同阐述信息检索与知识图谱领域的最新研究成果。一场专注于青年学者和大学生的AI论坛等你报名，可以快速定位文末报名哦~

“AI未来说·青年学术论坛”系列讲座由中国科学院大学主办，承办单位为中国科学院大学学生会，协办单位为中国科学院计算所研究生会、中科院计算机网络信息中心研究生会、人工智能学院学生会、化学工程学院学生会、公共政策与管理学院学生会、微电子学院学生会、数学与系统科学研究院研究生会，百度为支持单位，读芯术、PaperWeekly为合作自媒体。“AI未来说·青年学术论坛”第11期将于2019年11月24日下午13:00-16:00在中国科学院大学（中关村校区）中关村南一条3号教学楼第三层S301举行。

活动信息

报名时间：即日起至11月23日晚24:00。

活动时间：2019年11月24日13:00 - 16:00。

活动地点：中国科学院大学（中关村校区）中关村南一条3号教学楼第三层S301。

嘉宾及分享内容

徐君《智能搜索中的排序：突破概率排序准则》

徐君，男，中国人民大学教授，主要研究方向为用于信息检索的排序学习和语义匹配模型，在包括SIGIR、WWW、AAAI等国际学术会议和TKDE、TOIS、TIST等国际学术期刊发表论文50余篇，撰写英文专著1本，获美国专利授权8项，获SIGIR 2019 Test of Time Awards Honorablemention, CIKM 2017 Best Paper runner-up和AIRS 2010 BestPaper，担任学术会议SIGIR、WWW、AAAI、ACML资深程序委员会委员(SeniorPC)、期刊JASIST编委和ACM TIST副主编。

摘要：文档排序是搜索系统的核心功能之一，过去的研究集中在如何构造贴近实际场景的损失函数并设计相应的优化算法，提出了如pointwise、pairwise和listwise一系列排序学习算法。从排序模型的角度看，现有的文档排序均构建于符合概率排序准则(probability ranking principle，PRP)的独立打分函数之上，对其它类型的排序模型未给与更多关注。本报告将介绍近年来排序学习的研究如逐步何突破概率排序准则构建适应性更广的排序模型，包括基于马尔科夫决策过程的序贯排序模型和基于注意力机制的集合到排列映射模型。

邵蓥侠《Faster and Better Knowledge Graph Embedding》

邵蓥侠，博士，北京邮电大学计算机学院特聘副研究员、CCF数据库专业委员会委员。他主要从事知识图谱管理及应用、⼤规模图计算系统和并⾏图算法优化等研究。在数据库领域的国际一流学术会议（SIGMOD，VLDB，ICDE等）与国际顶级期刊IEEE TKDE上已发表了学术论⽂20余篇。他主持和参与了多项国家项目，其中主持项目包括一项中国博士后基金（一等资助），一项青年自然科学基金。邵蓥侠博⼠曾获国家教育部颁发的博⼠奖学⾦、Google博⼠奖学⾦（2014）、微软学者称号（2014）、⾼通奖学⾦（2015）、ACMSIGMOD China 优秀博士论文（2017），并担任过多个国际会议(VLDB, KDD, AAAI, IJCAI)和期刊(VLDBJ, WWWJ,DSE)的程序委员及评委。

摘要：Knowledge graph (KG) embedding isa fundamental problem in data mining research with many real-world applications. In this talk, I will report our progress on how to improve the efficiency of knowledge graph embedding. Negative sampling, which samples negative triplets from non-observed ones in the training data, is an important step in KG embedding. Motivated by the observation that negative triplets with large scores are important but rare, we propose to directly keep track of them with cache. We carefully design the solutions of sampling from and updating the cache, which are not only efficient but also achieve good balance between exploration and exploitation. In this way, our method acts as a “distilled” version of existing GAN-based methods, which does not waste training time on additional parameters to fit the full distribution of negative triplets. The extensive experiments show that our method can gain significant improvement on various KG embedding models.

宋勋超《百度大规模知识图谱构建及智能应用》

宋勋超，硕士毕业于浙江大学，百度知识图谱部主任研发架构师。参与了百度知识图谱设计及构建的整体流程，具有丰富的知识图谱实践经验。目前主要负责通用知识图谱构建、语义理解、图谱架构等技术，同时负责百度行业知识图谱相关工作。研发成果在百度搜索、信息流、DuerOS，行业图谱产品等多项产品中广泛应用。

摘要：知识图谱在人工智能应用中的重要价值日益突显。基于海量互联网资源，百度构建了超大规模的通用知识图谱，并在智能搜索、智能推荐、智能交互等多项产品中实现了广泛应用。随着文本、语音、视觉等智能技术的不断深入，行业智能化诉求的提升，知识图谱在复杂知识表示，多模态语义理解，行业图谱构建和应用等方面都面临新的挑战。本报告将介绍百度在大规模知识图谱构建、多模语义理解、行业知识图谱构建及应用等方面的最新进展。

冯知凡《基于知识图谱的多模认知技术及智能应用》

冯知凡，现任百度知识图谱部主任架构师。2011年至2013年任职于百度互联网数据研发部，曾负责百度网页搜索内容价值、视频及图片的场景化推荐。2013年至今，任职于百度知识图谱部，参与了百度知识图谱设计及构建的整体流程，具有丰富的知识图谱实践经验，并主要负责Query触发与理解、知识融合、知识消歧、知识图谱文本理解、知识图谱表示学习、知识图谱多模态认知等技术。

摘要：知识图谱在人工智能应用中的重要价值日益突显。基于海量互联网资源，百度构建了超大规模的通用知识图谱，并在搜索、推荐、智能交互等多项产品中广泛应用。同时，随着文本、语音、视觉等智能技术的不断深入，行业智能化诉求的提升，知识图谱在复杂知识表示、多模态语义理解、行业图谱构建和应用等方面都面临新的挑战与机遇。本报告将介绍百度在大规模知识图谱构建、多模语义理解、行业知识图谱构建及应用等方面的最新进展。

周景博《POI知识图谱的构建及应用》

周景博，现任百度研究院商业智能实验室资深研究员，主要从事数据挖掘和机器学习相关的研究工作,研究方向包括时空数据分析和知识图谱等。周景博2014年从新加坡国立大学获得博士学位，毕业后曾任职于新加坡国立大学人工智慧系统研究院，随后于2015年底加入百度。他目前已经有多篇论文发表在计算机顶级会议和期刊上，包括SIGMOD,KDD, ICDE,TKDE, AAAI等。

摘要：兴趣点(Point of Interest, POI) 是地图中能够提供信息和服务的位置点的总称，是构成电子地图的核心元素之一。通过构建POI知识图谱，对POI的描述语义和关系语义进行增强和优化，对建模真实世界、理解服务场景和更加智能化的辅助用户决策具有重要意义。 POI知识图谱在搜索、推荐以及出行等位置相关服务中都发挥着重要作用。本次报告将介绍POI知识图谱构建和应用过程中的机遇与挑战，以及我们在这个领域的探索成果。

如何报名