线上直播 | 2020年图神经网络最热研究一网打尽

2020 年 6 月 12 日 PaperWeekly

与6位图灵奖得主和100多位专家

共同探讨人工智能的下一个十年

长按图片或点击阅读原文，内行盛会，首次免费注册

2020年6月21-24日，第二届北京智源大会（官网：https://2020.baai.ac.cn）将邀请包括6位图灵奖获得者、10多院士在内的上百位人工智能领袖，一起回顾过去，展望未来，深入系统探讨“人工智能的下一个十年”。本次大会将开设19个专题论坛，主题涵盖人工智能数理基础、自然语言处理、智能体系架构与芯片、人工智能伦理治理与可持续发展、机器学习、智能信息检索与挖掘、认知神经基础、机器感知、决策智能、AI医疗、AI创业、AI交通、AI+大数据+防疫、AI框架、图神经网络、知识智能、强化学习、青年科学家机器学习前沿，以及AI科技女性，遍历人工智能基础研究及创新应用，结合时局解析人工智能最新动态，探索未来发展方向。

从本期开始，我们将带你走进各个分论坛，领略嘉宾风采、洞悉前沿趋势。今天介绍的是将于6月23日下午举行的图神经网络论坛。

论坛主题：图神经网络

图神经网络是近年来深度学习的重要研究热点，旨在网络结构上利用深度学习技术对节点间的信息传递、转换或聚合进行建模，实现图结构的语义表示与推理计算，以在图挖掘、知识图谱、信息检索、自然语言处理、推荐系统等领域获得广泛关注应用。本论坛邀请了中科院计算所研究员沈华伟、中科大教授何向南、加拿大MILA助理教授唐建、Microsoft Research高级研究员熊辰炎、Amazon上海AI研究院科学家王敏捷等国内外该领域的著名青年学者，并将由清华大学计算机系副教授刘知远担任论坛主席，从图神经网络的理论方法、计算框架与应用三个方面介绍图神经网络的最新进展与发展趋势，并与参会朋友共同探讨该领域的挑战问题。

论坛主席

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。

演讲主题及嘉宾介绍

1.基于图神经网络的关系推理

议题简介： 关系推理在图数据以及复杂的感知任务上都非常重要。在本次报告中，我将介绍如何把传统的统计关系学习（Statistical Relational Learning）和图神经网络相结合来进行关系（或者逻辑）推理。如果时间允许，我将简单介绍一下我们最近在基于图表示学习用于药物发现的一些工作。

蒙特利尔高等商学院以及图灵奖获得者Yoshua Bengio创立的加拿大魁北克算法研究所助理教授、博士生导师。主要研究方向为：图表示学习、图研究网络、知识图谱、药物发现。曾获得机器学习顶级会议ICML2014的最佳论文以及数据挖掘顶级会议WWW‘16的最佳论文提名。发表了一系列在图表示学习领域的经典论文包括LINE、LargeVis、RotatE以及最近的Graph Markov Neural Networks (GMNN)。

2.图神经网络在信息检索等领域的应用

议题简介： 在实际的信息系统中很多数据，语言关系，用户行为都可以认为是包含文本和图结构的的半结构化数据。图神经网络提供了一种很好的对这种半结构化数据进行建模的范式。这个报告中我会和大家研讨最近利用图神经网络对信息系统中的一些经典任务进行建模和推理的一些进展。

微软研究院高级研究员。主要研究方向：信息检索，自然语言处理和深度学习的结果。近期研究兴趣是长文本里面，对话信息检索和深度信息检索等。2018年卡耐基梅隆大学语言技术研究所博士。在信息检索，自然语言处理，深度学习等会议上发表论文30余篇。参与组织多次相关领域研讨会，宣讲会，以及美国国家标准局TREC竞赛等等。

3.图神经网络在推荐系统的前沿研究

议题简介： 推荐系统中用户和物品之间的交互、物品知识图谱、用户社交网络等数据可以天然地表示成图。受益于图神经网络在图数据上进行表示学习的优势，近年来图神经网络推动了推荐系统技术的发展。本报告将介绍我们近期开展的基于图神经网络的推荐方法，包括发表在WWW'19的协同过滤方法NGCF，SIGIR'20的简单并高效的图神经网络LightGCN，以及KDD'19的基于知识图谱推理的推荐方法KGAT等。

中国科学技术大学教授、博士生导师，国家青年千人计划学者。主要研究方向：推荐系统、数据挖掘。在CCF A类会议和期刊发表论文80余篇，谷歌学术引用5300余次，包括国际顶级会议SIGIR、WWW、KDD和顶级期刊TKDE、TOIS、TNNLS等；长期担任这些会议和期刊的审稿人，CCIS 2019的程序委员会主席，AI Open期刊编委。研究成果曾获SIGIR 2016最佳论文提名奖、WWW 2018最佳论文提名奖等,主持国家基金委面上项目1项，重点项目1项。

4.图神经网络的表达能力

议题简介： 过去几年，图神经网络无论是在图表示学习领域及其在节点分类、链路预测等图数据挖掘的下游任务上，还是在推荐系统、自然语言处理、社交网络分析与挖掘等应用领域都取得了长足发展。短短几年间，研究人员提出了许多图神经网络模型，在节点分类、图分类等场景下取得了显著的性能提升。最近，人们开始关注和探讨图神经网络的一个基础性问题——图神经网络的表达能力。报告将围绕图神经网络的表达能力回顾图表示、节点分类、图分类的研究历程，并探讨图神经网络的表达能力对于设计和实现图神经网络模型的启发。

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。

5.构建高效易用的深图学习引擎

议题简介： 近年来，深度学习在结构化数据上取得了显著的成果。特别是图神经网络的出现，为深度学习在推荐系统、知识图谱、反欺诈、生物制药等领域带来了新的建模思路。然而图作为一种稀疏的数据格式，需要不同于传统稠密张量的系统支持。本报告将介绍如何构建高效易用的深图学习引擎，以及我们的开源图神经网络框架Deep Graph Library (DGL)。