2022年网络数据挖掘论坛暨伟德bevictor中文版第十五届博士生论坛-人工智能分论坛邀请了3位优秀学者介绍时空数据挖掘、图数据挖掘和文本数据挖掘等领域的前沿研究进展，报告内容涵盖智慧城市、电商推荐、网络舆情等热点研究方向。
热烈欢迎各位老师和同学的积极参与！
报告时间：2022年11月20日19:00-21:30
报告地点：腾讯会议：945-384-552
王森章-中南大学
王森章，中南大学计算机学院特聘教授，湖南省青年“芙蓉学者”。主要研究方向为时空数据挖掘、图数据挖掘、城市计算等。发表论文120余篇，其中发表在CCF推荐A类会议期刊论文30余篇，B类以及ACM/IEEE Trans.论文60余篇。一篇会议论文获“最佳员工论文奖”，一篇论文获数据挖掘顶级国际会议ICDM最佳论文提名，多篇期刊论文是ESI“高被引”论文。主持包括国家自然科学基金面上/青年项目、“香江学者”博士后项目、省自然基金、腾讯“犀牛鸟”基金、CAAI-华为奖励基金等10余项研究课题。作为第一完成人获2022年中国仿真学会自然科学奖二等奖。王森章教授是中国计算机学会数据库专委会、人工智能与模式识别专委会、大数据专家委员会的执行委员，担任《智能科学与技术学报》编委，《计算机工程》青年编委，国际期刊ACM Transactions on Intelligent Systems and Technology和Remote Sensing客座编委。先后四十余次担任所在领域国际会议程序委员会成员（PC Member）及高级成员（Senior PC Member）。
报告题目：面向智慧城市的智能使能时空数据挖掘：挑战，方法和应用
内容简介：
本报告将介绍本研究团队近期在基于多源数据融合及深度学习的城市时空大数据分析与挖掘方面的工作。首先，将介绍城市时空大数据分析的研究背景和意义；然后总结在城市快速发展和移动物联网技术普及的全新背景下，城市时空大数据分析的若干重要挑战，并针对这些挑战，总结现有研究工作的解决方案；之后，将以我们近期在城市交通大数据和城市人流移动数据预测方面的工作为例，介绍深度学习技术尤其是GCN等模型在解决城市时空大数据分析方面的应用；最后，本报告将对该领域未来可能的研究工作进行展望。
金弟-天津大学
金弟，天津大学智算学部副教授，博士生导师。一直从事图机器学习，特别是网络表示学习、社团发现、图神经网络以及电商搜索推荐方面的研究。近五年一作/通讯发表CCF A类论文30余篇，获CCF A类会议WWW 2021最佳论文奖亚军、国际数据挖掘顶会ICDM 2021最佳员工论文奖亚军、中国社会信息处理大会SMP 2021最佳论文奖、中国计算机教育大会2022最佳论文奖、《自动化学报》年度优秀论文奖，担任中科院一区SCI期刊Information Sciences副主编、SSCI期刊Humanities & Social Sciences Communications副主编，CCF A类会议IJCAI 程序委员会Board Member、IJCAI/AAAI 高级程序委员会成员SPC。主持国家自然基金3项、国家重点研发计划子课题2项。获ACM中国天津新兴奖、中国商业联合会科技进步一等奖。
报告题目：面向复杂图的图神经网络及其应用
内容简介：
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。本报告首先介绍GNN针对复杂图结构的建模与求解方法；之后介绍如何使GNN更加聪明的认知GNN设计方法，以及如何引入知识及推理；最后介绍GNN在电商搜索和推荐上的应用。
彭浩-北京航空航天大学
彭浩，北京航空航天大学副教授，博士生导师。研究方向包括网络数据挖掘、深度学习、强化学习等，相关研究成果发表在国际旗舰学术会议（WWW、SIGIR、NeurIPS、AAAI、IJCAI等）和期刊（IEEE TPAMI、TKDE、TPDS、TC、ACM TOIS等），已出版学术论文80余篇，学术专著1部；学术引用超过2700余次，授权专利20余项，以第一作者获ESI高被引论文2篇（IEEE TKDE 2019、IEEE TITS 2019）、国际旗舰学术会议最具影响力论文6篇（WWW2018、CIKM2019、CIKM2020、SIGIR2020、WWW2021）、Best Paper Runner Up奖1篇（CIKM2022）、国际学术会议最佳论文提名奖4篇（IEEE ICDM 2021、ACM CIKM2022）；获2018年中国电子学会科技奖励技术发明一等奖，2020年中国人工智能学会优秀博士学位论文，2022年中国仿真学会自然科学二等奖。任Springer Nature 旗下期刊 JMLC编委Associate Editor。
报告题目：小样本的社会网络舆情事件挖掘
内容简介：
面向互联网上热点舆情事件黄金处理周期往往都在事件爆发初期和早期，但当前深度学习范式往往依赖大量样本标注，并且真实业务处理需求均为开放域和零样本标注场景。如何在有限历史样本和少资源条件下，实现突发性事件的小样本检测意义重大。本报告将介绍作者在多年研究和工程实践中总结的小样本社会网络舆情事件挖掘方法，分享汇报内容包括作者的IJCAI2019、TKDD2021、Web Conference2021、TPAMI2022、CIKM2022、ICWS2022等工作。
