王思睿（美团）

Title: 生活服务领域知识图谱的构建以及应用

Abstract：作为全国领先的生活服务电商平台，美团拥有围绕吃喝玩乐全场景的丰富数据，通过深度学习以及自然语言处理技术，对跨场景数据进行充分挖掘、映射、聚合与关联，美团NLP中心构建了大规模餐饮娱乐知识图谱——“美团大脑”，来促进每个场景下应用服务的智能升级。这次报告中我们将介绍知识图谱一些基础知识、前沿进展，并会重点介绍”美团大脑”的构建方法以及目前在搜索、推荐、问答、赋能商家等场景的落地实践。

Bio： 王思睿，担任美团点评NLP中心资深算法专家，目前主要负责美团大脑、智能问答等项目算法研究工作，带领团队围绕美团生活服务场景打造知识图谱及其应用，打通餐饮、旅行、休闲娱乐等各个场景数据，为美团各场景业务提供更加智能的服务。美团之前在百度AIG做知识图谱、NLP相关算法工作。在知识图谱、问答、搜索等相关领域有着丰富的实践经验，在EMNLP、COLING、CIKM等国际学术会议上发表论文多篇。

Title: POI知识图谱：构建及应用

Abstract： 兴趣点(Point of Interest, POI) 是地图中能够提供信息和服务的位置点的总称，是构成电子地图的核心元素之一。通过构建POI知识图谱，对POI的描述语义和关系语义进行增强和优化，对建模真实世界、理解服务场景和更加智能化的辅助用户决策具有重要意义。 POI知识图谱在搜索、推荐以及出行等位置相关服务中都发挥着重要作用。本次报告将介绍POI知识图谱构建和应用过程中的机遇与挑战，以及我们在这个领域的探索成果。

Bio: 周景博，现任百度研究院商业智能实验室资深研究员，主要从事数据挖掘和机器学习相关的研究工作,包括时空数据分析、用户行为研究和知识图谱等。周景博从新加坡国立大学获得博士学位。他目前已经有超过20余篇论文发表在计算机顶级会议和期刊上，包括KDD, SIGMOD, ICDE, AAAI, TKDE和TMC等，并多次担任KDD,AAAI,IJCAI,TKDE等顶级学术会议和期刊的程序委员会委员和审稿人。

Title：知识计算即服务：赋能企业知识化转型

Abstract：数字化转型的逐步深入，驱动了AI在产业界的应用逐步从感知智能上升到认知智能维度。大量非结构化和半结构化数据往往蕴藏着宝贵的行业领域知识和企业自身的知识沉淀。如何有效开采、利用这些数据为企业的效率提升和知识传承发挥价值，是企业从数字化转型走向知识化转型中的重要课题。华为云通过抽象知识图谱构建流程，结合知识抽取、KBQA等相关算法技术（实体关系等），提供一站式全流程全周期知识图谱平台及知识计算解决方案，基于高性能的图计算引擎，灵活的插件式设计，提供从数据获取到知识图谱存储的自动化知识图谱流水线构建平台，以及开箱即用的知识应用，有效支撑知识图谱在多领域、多场景的应用落地，赋能企业有效进行知识化转型。本次分享将介绍华为云在企业知识计算上的探索和实践，包括企业级知识图谱云服务、大规模图引擎技术、知识抽取和融合相关算法等。同时，将结合具体落地实践案例、介绍知识图谱相关技术在政务、医疗、能源等领域的应用案例，并探讨企业知识化转型未来挑战、前景及价值空间。

Bio：郑毅博士是华为云知识图谱负责人，毕业于中国科学技术大学及香港城市大学，本科毕业于哈尔滨工业大学。现为华为云语音语义创新Lab高级专家，负责知识图谱平台及算法技术的研发工作。曾任职于蚂蚁金服反洗钱技术产品团队，负责反洗钱业务中的算法建模及落地工作。研究领域包括：知识图谱、自然语言处理、机器学习等。在AAAI、IJCAI、WAIM、TKDD等国际学术会议期刊发表论文多篇，引用次数600+次。

王萌（东南大学）

Title： 多模态知识图谱构建和推理技术

Abstract： 文本、图像、视频、音频等数据的大量涌现，使得多模态数据的语义理解与知识表示需求变的更加迫切。认知科学研究表明，个体感知、认知外界进而形成知识的过程，通常是多种感官同时对信息进行处理和融合。多模态知识图谱的构建，能够让基于知识图谱的智能服务更好的理解真实世界的数据场景，进而更好的支撑各项上游任务和行业应用，如推荐系统、语义搜索、智能问答等。本讲习班将介绍多模态图谱构建和推理方面的最新研究和方法。

Bio: 王萌，东南大学计算机科学与工程学院助理教授，东南大学“至善青年学者”支持计划获得者；2018年毕业于西安交通大学计算机系；澳大利亚昆士兰大学联合培养博士; 同年9月进入东南大学计算机科学与工程学院任教，研究方向为语义搜索、智能问答、知识图谱、自然语言处理；先后在ISWC、ICSE、AAAI、IJCAI等国际期刊和顶级会议发表论文30余篇，国家发明专利3项，参与出版专著1本，曾获ISWC 2018 最佳学生论文提名奖、IEEE ICBK最佳论文奖。主持国家自然科学基金1项。

Title: Representation Learning on Knowledge Graphs: From Shallow Embedding to Graph Neural Networks

Abstract: Knowledge graphs have received tremendous attention recently, due to its wide applications, such as search engines and Q&A systems. Knowledge graph embedding, which aims at representing entities as low-dimensional vectors, and relations as operators on these vectors, has been widely studied and successfully applied to many tasks, such as knowledge reasoning.  In this tutorial, we will cover recent representation learning techniques for knowledge graphs, which contains three parts. First, we will review the knowledge graph representation techniques that are usually based on shallow embedding, such as TransE, DisMult, and RotatE. Second, we will discuss the recent progress on how to integrate additional symbolic information, such as logic rules and ontology, for better representation learning on knowledge graphs. In the third part, we will introduce graph neural networks (GNNs) and recent advances on GNNs for heterogeneous information networks, which can be considered as a general form of knowledge graph.

Bio: Yizhou Sun is an associate professor at department of computer science of UCLA. Prior to that, she was an assistant professor in the College of Computer and Information Science of Northeastern University. She received her Ph.D. in Computer Science from the University of Illinois at Urbana-Champaign in 2012. Her principal research interest is on mining graphs/networks, and more generally in data mining, machine learning, and network science, with a focus on modeling novel problems and proposing scalable algorithms for large-scale, real-world applications. She is a pioneer researcher in mining heterogeneous information network, with a recent focus on deep learning on graphs/networks. Yizhou has over 100 publications in books, journals, and major conferences. Tutorials of her research have been given in many premier conferences. She received 2012 ACM SIGKDD Best Student Paper Award, 2013 ACM SIGKDD Doctoral Dissertation Award, 2013 Yahoo ACE (Academic Career Enhancement) Award, 2015 NSF CAREER Award, 2016 CS@ILLINOIS Distinguished Educator Award, 2018 Amazon Research Award, and 2019 Okawa Foundation Research Grant.

Title: 基于知识的自然语言问答

Abstract: 自然语言问答是支撑智能人机交互应用的核心技术，受到学术界和工业界的广泛关注。其中，基于大规模结构化和非结构化知识资源的智能问答更是近些年来的研究热点。本报告将首先梳理自然语言问答的发展脉络和​基本概念；进而从基础技术框架、知识资源类型以及复杂问题解析等几个方面介绍近年来知识问答方向的研究进展；最后，将结合目前研究工作中仍存在的挑战与大家分享对未来研究的一些看法。

Bio: 冯岩松，信息科学博士，北京大学王选计算机研究所副教授。主要研究方向包括自然语言处理、信息抽取、智能问答以及语义分析等；此前曾多次在国内外知识问答评测中取得第一名；相关工作已发表在 ACL、NAACL、EMNLP、TPAMI、AIJ、IJCAI、AAAI等自然语言处理领域主流期刊与会议上。作为项目负责人或课题骨干已承担多项国家自然科学基金及科技部重点研发计划、 863 计划项目。分别在 2014、2015 年获得 IBM Faculty Award，及 2016 年 IBM Shared University Research Award。