本周即将召开!一文详解全国社会媒体处理大会(2)

2017-09-12 18:46 浏览次数:

讲习摘要:Nowadays, larger and larger, more and more sophisticated networks are used in more and more applications. It is well recognized that network data is sophisticated and challenging. To process graph data effectively, the first critical challenge is network data representation, that is, how to represent networks properly so that advanced analytic tasks, such as pattern discovery, analysis and prediction, can be conducted efficiently in both time and space. In this tutorial, we will review the recent thoughts and achievements on network embedding. More specifically, a series of fundamental problems in network embedding will be discussed, including why we need to revisit network representation, what are the research goals of network embedding, how network embedding can be learned, and the major future directions of network embedding.

特邀报告

本次大会共邀请八位嘉宾做特邀报告。特邀报告将于9月16日和17日上午进行,每天各四场。

9月16日上午:

本周即将召开!一文详解全国社会媒体处理大会

报告主题:腾讯的自然语言应用和研究

嘉宾:张潼

报告摘要:我在这里介绍一下腾讯的自然语言应用场景,现阶段取得的一些进展,遇到的挑战和今后的前沿研究方向。

报告主题:大数据在社会经济及行为分析中的应用
嘉宾:周涛
报告摘要:以几个典型的事例,呈现大数据社会经济宗教教育系统中的典型应用,包括区域经济发展决策、宏观社会经济态势感知、与人有关的行为分析、风险评估和行为预测、宗教网络结构分析等方面的应用,总结大数据特殊的方法手段以及大数据给经济社会研究可能带来的重大变化。

报告主题:社会媒体中的语言情感分析
嘉宾:秦兵
报告摘要:社会媒体是以社会网络为基础,互联网用户发表和分享信息为主要形式的在线交互媒体。在这些信息中包含大量的用户情感文本信息,并通过社会媒体影响现实世界。因此,社会媒体的发展一方面为情感分析的研究提供了海量的数据和资源,另一方面为情感分析新的任务和应用的发掘提供了新的契机。本报告将结合文本情感表达和社会媒体的特点,从情感分析研究面临的任务说起,深入探索目前情感分析的热点任务和相关算法,进一步分析和思考情感分析未来的研究趋势、以及情感分析在各个领域的应用中所面临的机遇和挑战。

报告主题:社交影响力与行为预测
嘉宾简介:唐杰
报告摘要:社会网络已经成为沟通真实物理世界和虚拟互联空间的桥梁。我们在互联网络中的行为直接反映了我们在真实世界的活动和情感。我将介绍在大规模真实网络中(如:微信、微博、Twitter、 AMiner等网络)如何分析用户之间的交互影响力和基于网络拓扑的结构影响力,并基于影响力预测用户行为。模型同时考虑了网络结构、用户属性和网络用户的偏好。并设计了针对大规模网络的并行学习算法。在实际真实在线社交系统中得到了验证。

9月17日上午:

本周即将召开!一文详解全国社会媒体处理大会

报告主题:从舆情分析到态势感知

嘉宾:施水才


报告主题:推动人工智能发展 ——来自人类社会的启迪

嘉宾:刘铁岩

报告摘要:近年来,人工智能技术取得了飞速的发展,不仅在某些特定任务上接近人类水准,在与产业结合方面也迈出了坚实的步伐。那么,人工智能到底距离人类智能还有多远?如何才能进一步提高人工智能的水平?本报告中,我们指出目前主流的人工智能技术忽略了在人类社会(尤其是其教育体系)中扮演重要角色的两个因素:同学和教师。因为有同学,我们在成长道路上互相帮助、共同进步,“听君一席话,胜读十年书”;因为有教师,我们被因材施教、被系统地传道受业。那么如何在人工智能技术中体现同学和教师的作用呢?本报告将介绍我们最近的两项研究成果 – dual learning和learning to teach。前者利用多个智能体之间的互相协作,可以从无标签数据中学习高效的人工智能模型,也可以提高有监督学习和推断的性能。后者自动地为机器学习过程选择合适的训练数据和损失函数,实现因材施教;并通过教与学的互动,实现教学相长。我们以机器翻译为例展示dual learning 和 learning to teach 的效果,并探讨如何更多地借鉴人类社会机制,以促进人工智能技术的进一步发展。

报告主题:Modeling Dynamic Networks

嘉宾:Wei Wang