近年来，图表示学习（Graph Embedding）和图神经网络（Graph Neural Network, GNN）成为网络数据分析与应用的热点研究问题，其特点是将深度神经网络技术用于网络结构的建模与计算，诞生了以DeepWalk、LINE和node2vec为代表的图表示学习技术，以GCN为代表的图神经网络，能够利用分布式表示方案实现对网络中的节点、边及其附带的标签、属性和文本等信息的建模，从而更好地利用网络结构进行精细建模和深度推理，已经被广泛用于数据挖掘、社会网络分析、推荐系统、自然语言处理、知识图谱等领域。

为了推进国内在该领域的发展，由中国中文信息学会·社会媒体处理专委会和北京智源人工智能研究院联合举办的「图神经网络在线研讨会2020」将于3月29日下午召开，本研讨会邀请了四位国内著名学者介绍图表示学习和图神经网络的最新理论进展和应用探索，并获得了合作伙伴AI研习社、PaperWeekly、智东西的大力支持。

研讨会举办时间：

2020年3月29日（周日）

下午13:30-17:30

研讨会举办方式：

线上直播

研讨会官方主页：

https://event.baai.ac.cn/con/gnn-online-workshop-2020/
（复制网址至浏览器查看）

演讲嘉宾

宋国杰

北京大学信息科学技术学院 副教授

研究方向包括：网络大数据挖掘、社会网络分析和智能交通系统。在包括国际顶级期刊TKDE以及国际顶级会议KDD、AAAI等发表论文100余篇，是多个国际顶级会议（WWW、IJCAI等）的高级程序委员。论文获得CIKM2019年最佳论文奖提名。主持了包括国家自然科学基金、科技部重大研发计划等多项科研项目。研究成果先后获省部级奖励一等奖2次，和二等奖1次。

沈华伟

中国科学院计算技术研究所 研究员

中国中文信息学会社会媒体处理专委会副主任。主要研究方向：社交网络分析、网络数据挖掘。在PNAS等期刊和WWW、SIGIR、AAAI、IJCAI、ICLR等国际会议上发表论文100余篇。博士学位论文获得中国计算机学会优秀博士论文提名奖、中国科学院优秀博士论文奖和UCAS-Springer优秀博士论文奖。个人获得中国科学院院长特别奖，入选中国科学院计算技术研究所“学术百星”计划和中国科学院青年创新促进会，入选中国科学院王宽诚率先人才计划“卢嘉锡国际团队”和首批中国科学院青年创新促进会优秀会员（中国科学院优秀青年人才计划）、北京智源人工智能研究院青年科学家。

唐杰

清华大学计算机系教授、系副主任

研究兴趣包括：数据挖掘、社交网络和知识图谱。发表论文200余篇，引用10000余次（个人h-指数59）。主持研发了研究者社会网络挖掘系统AMiner，吸引了220个国家/地区1000多万独立IP访问。曾担任国际期刊ACM TKDD的执行主编和国际会议CIKM’16、WSDM’15的PC Chair、KDD’18大会副主席。作为第1完成人获北京市科技进步一等奖、中国人工智能学会科技进步一等奖、KDD杰出贡献奖。

石川

北京邮电大学计算机学院 教授

北京邮电大学计算机学院教授、博士研究生导师、智能通信软件与多媒体北京市重点实验室副主任。主要研究方向: 数据挖掘、机器学习、人工智能和演化计算。在IEEE TKDE、KDD、WWW、AAAI、IJCAI等期刊和国际会议上发表论文100余篇，英文专著一部，相关研究成果应用到阿里巴巴、腾讯、华为等企业。获得ADMA2011/AMDA2018国际会议最佳论文奖、CCF-腾讯犀牛鸟基金及项目优秀奖，并指导学生获得顶尖国际数据挖掘竞赛IJCAI Contest 2015 全球冠军。获得北京市高等学校青年英才和师德先锋等称号。

研讨会主席

刘知远

清华大学计算机系副教授、博士生导师

主要研究方向为表示学习、知识图谱和社会计算。2011年获得清华大学博士学位，已在ACL、IJCAI、AAAI等人工智能领域的著名国际期刊和会议发表相关论文80余篇，Google Scholar统计引用超过7,700次。承担多项国家自然科学基金。曾获清华大学优秀博士学位论文、中国人工智能学会优秀博士学位论文、清华大学优秀博士后、中文信息学会青年创新奖，入选《麻省理工科技评论》“35岁以下科技创新35人”中国区榜单（MIT TR-35 China）、中国科协青年人才托举工程、中国计算机学会青年学者提升计划。担任中文信息学会青年工作委员会执委、副主任，中文信息学会社会媒体处理专委会委员、秘书长，SCI期刊Frontiers of Computer Science青年编委，ACL、EMNLP、COLING、IJCNLP领域主席。

会议日程

13:30-14:30

宋国杰 - 网络表示学习

“问题的复杂性取决于问题表示，降低问题复杂性的关键是选择合适的问题表示”。对于普适存在的网络数据而言，如何进行有效的特征表示，是面向网络机器学习和数据挖掘任务的关键。

本报告将在浅层和深层网络表示学习概述的基础上，重点介绍报告人课题组近期的一些主要工作思路，最后对未来可能的研究趋势进行讨论。

14:30-15:30

沈华伟 - 图卷积神经网络

卷积神经网络在处理图像、语音、文本等具有较好空间结构的数据时展现出了很好的优势。然而，卷积神经网络不能直接应用于图（Graph）这类空间结构不规则的数据上。近年来，研究人员开始研究如何将卷积神经网络迁移到图数据上，涌现出ChevNet、MoNet、GraphSAGE、GCN、GAT等一系列方法，在基于图的半监督分类和图表示学习等任务中表现出很好的性能。

报告首先梳理和回顾该方向的主要研究进展和发展趋势，进而介绍报告人近期在图卷积神经网络方面的一些研究工作（ICLR’19; IJCAI’19）。

15:30-16:30

唐杰 - 图神经网络 (GNN) 及认知推理

图神经网络将深度学习方法延伸到非欧几里得的图数据上，大大提高了图数据应用的精度。

报告将首先从算法角度分析当下经典的图表示学习算法（DeepWalk、LINE、node2vec等）的本质关系，并提出统一算法框架NetMF和大规模版本NetSMF，并在稀疏图理论的基础上提出高效快速学习算法ProNE，ProNE在精度不降低的情况下比传统学习算法快10-400倍的加速比。

在简单回顾一下图卷积网络（GCN）并探讨如何提高GCN在图数据上的表示学习能力之后，研究发现几个巧妙、简单方法就可以有效的提高GCN的表示能力，该方法可以等价表示为图注意力网络（GAT）。该方法在包括阿里巴巴等多个超大规模数据集上得到应用验证。

最后报告将探讨在图神经网络基础上的认知推理模型CognitiveGraph (CogGraph)。CogGraph基于认知科学中的双通道认知理论，其中通道1负责直觉认知，通道二负责推理认知。CogGraph可以广泛应用于多个图数据上的任务，包括基于推理的问答、知识图谱补齐等。

16:30-17:30

石川 - 异质图神经网络及其在电商中的应用

神经网络在处理图像、语音、文本等具有较好空间结构的数据时展现出了很好的优势，但是不能直接应用于图（Graph）这类空间结构不规则的数据上。近年来，研究人员开始研究如何将神经网络应用到到图数据上，形成了图神经网络的研究热潮，并提出GCN、GraphSAGE、GAT等一系列方法。当前图神经网络主要针对由相同类型节点和边构成的同质图。然而，大量实际交互系统需要建模成由不同类型的节点和边构成的异质图。将神经网络应用于异质图将会有一些新的特点和挑战。本报告将介绍报告人近期在异质图神经网络方面的系列研究工作，以及在电子商务实际问题中的应用。

报名方式

扫码添加小智（baai03）微信好友

发送关键词“live0329”后

进入报名微信群，获取课件和直播间地址

点击前往研讨会官网