报告时间：4月22号下午14:30-17:00
腾讯会议号：959-119-155
报告一报告题目： 基于无监督学习的可解释性推荐系统
报告摘要： 个性化推荐系统是近年来数据智能研究领域的一个热门研究话题，不同的学者从不同的角度研究建立了各种推荐系统，包括传统机器学习推荐系统和深度学习推荐系统。但是在推荐系统应用中，终端用户除了追求高精度的推荐性能，他们对推荐系统的可解释性也给予了极大的关注。在本次报告中，我们将从传统机器学习出发介绍经典推荐系统方法，接着介绍深度学习推荐算法，引出可解释性推荐系统，并进一步探索基于无监督学习的可解释性推荐系统。
个人介绍：
王昌栋，中山大学计算机学院副教授，博士生导师。2013年获得中山大学工学博士学位。2011年曾获首届广州市菁英计划公派留学项目资助，作为联合培养博士生，于2011年12月至2012年11月在美国伊利诺大学-芝加哥校区留学。他的研究方向包括数据聚类、社交网络、推荐系统、医学数据处理。他一共发表了100余篇学术论文，包括IEEE TPAMI、IEEE TKDE、IEEE TCYB、IEEE TNNLS等国际顶级刊物和KDD、AAAI、IJCAI、CVPR等国际顶级会议，其中中科院SCI二区及以上期刊论文70余篇、CCF A、B类会议论文30余篇。主持了包括广东省自然科学基金-杰出青年基金、国家重点研发计划项目-子课题、国家自然科学基金-面上项目、国家自然科学基金-青年基金、CCF-腾讯犀牛鸟科研基金等13个项目。他的ICDM2010论文荣获最佳论文提名奖；他曾获2012年微软亚洲研究院学者奖提名，2015年中国人工智能学会优秀博士学位论文奖，2017年广东特支计划“科技创新青年拔尖人才”，2018年度广东省自然科学奖一等奖、2020年度广东省自然科学奖二等奖。他是人工智能权威期刊Journal of Artificial Intelligence Research（JAIR）的副编辑（AE）。他是第16届数据挖掘与应用国际学术会议（16th International Conference on Advanced Data Mining and Applications，ADMA 2020）的程序委员会共同主席（PC Co-chair）。他是中国人工智能学会-模式识别专业委员会委员，中国计算机学会-数据库专业委员会委员，中国计算机学会-计算机视觉专业委员会委员，CCF广州分部副主席（2019.3-2021.3），CCF-YOCSEF广州主席（2020-2021），CCF广州分部学生分会指导主任（2021.4-2023.4），CCF学生分会工作组组长（2021.4-2022.4）。
报告题目：复杂图神经网络建模与推理
报告摘要：图神经网络（GNN）自提出以来迅速得到了学术和工业界的青睐，成为AI研究热点。已有图神经网络模型主要关注于网络表示学习及其应用，并取得了很多重要进展。最近也有一些研究者开始关注于图神经网络的推理，希望从由感知到认知的角度进一步提升图神经网络的智能水平。本报告首先介绍了GNN的基本方法，然后介绍了GNN针对复杂图的建模与求解方法，之后介绍GNN推理的工作，最后对目前GNN的发展趋势进行讨论。
个人介绍：
金弟，天津大学智算学部英才副教授（特聘研究员），博士生导师。2012获得吉林大学博士学位。一直从事图数据挖掘研究，发表CCF A类论文50余篇，主持国家自然基金2项、国家重点研发计划子课题2项。担任CCF B类、JCR一区期刊Information Sciences的Associate Editor，CCF A类会议IJCAI的PC Board Member。获CCF A类会议WWW 2021最佳论文奖亚军（2/1736），数据挖掘顶会CCF B类会议ICDM 2021最佳学生论文奖亚军（4/990），《自动化学报》2012年度优秀论文奖，ACM中国天津分会新兴奖, 中国商业联合会科技进步一等奖。
