首页 - 学术活动 - 正文

基于知识图谱的推理方法及其在推荐系统中应用研究

创建时间:  2020/08/13  王智渊   浏览次数:   返回

报告时间:2020年8月14日11:00

报告地点:宝山校区东区9号楼702B


报告题目基于知识图谱的推理方法及其在推荐系统中应用研究

报告摘要知识图谱旨在描述真实世界中存在的各种实体或概念及其关系,是一种新型信息聚合和表达形式。推荐系统是对用户和物品之间的交互的建模,知识图谱和推荐系统的结合在工业应用中潜力巨大。本报告围绕知识图谱进行关系推理建模,提升推荐系统可解释性问题。分析总结了近年知识图谱和推荐系统融合的代表性工作,介绍我们一个用于推荐中推理的模仿学习框架工作。该模型通过引入强化学习和对抗模仿学习的框架,从提取的示例路径中学习到对推荐有用的路径,使得推荐结果具有可解释性。模型的可收敛性和可解释性。另外本次报告会对目前推荐系统的深度模型和经典模型结果,和推荐结果的可解释性相关问题研究趋势进行讨论。

报告人简介杨余久,男,博士,2008年于中国科学院自动化所模式识别国家重点实验室获博士学位;2008 年7月开始在清华大学深圳国际研究生院智能计算实验室工作,现为该实验室负责人。研究方向为大数据环境下信息处理与机器学习应用的研究工作,包括机器学习及自然语言处理、知识图谱等领域。获得深圳市领军人才称号,科技成果获得2015年广东省科技进步奖一等奖,2016年深圳市科技进步奖(排名第一)和2017年广东省科技进步奖(排名第一);2016年并荣获清华大学校级教学成果奖。他当前担任IEEE TKDE,IEEE TIP,IEEE TNLLS等国际期刊的审稿人或编委,并担任2017年国际生物信息学大会(InCoB2017)、2018年国际人工智能和移动服务大会(AIMS 2018,Seattle,USA)组委会执行主席和2020年国际认知计算大会程序委员会主席(International Conference on Cognitive Computing (ICCC 2020))。

 

上一条:Distributed Cooperative Control of Multiagent Systems: Theory and Applications

下一条:智能电网中的隐私保护电能交易机制研究