腾讯大学

腾大有客|社交网络与大数据前沿

课程介绍:6月22日,由“CCF YOCSEF ”主办,“腾讯高校合作 犀牛鸟学问”与腾讯大学协办的《社交网络与大数据前沿报告会》将于北京拉开帷幕,本次报告会将邀请来自学术界、产业界的相关学者和专家,共同探讨社交网络与大数据分析的最新进展、未来趋势,以及新技术突破和产业机会。
  讲师:
课程类型:视频直播
随着微信、微博、Facebook、Twitter等线上社交平台的普及与广泛应用,用户可以随时随地的在网络上分享内容,进行互动,由此产生了海量的用户数据。用户在社交平台上的行为数据某种程度上构成了真实世界的投影,因此针对社交网络的研究与大数据挖掘拥有广泛的应用场景与深远的现实意义。 

社交网络分析和研究的范围非常广泛,包含了针对社交网络自身演化规律的研究;针对社交网络结构的分析,关系链挖掘,群组发现等;通过用户数据挖掘形成多维度立体的用户画像;以及与社会学、传播学、行为学、心理学等学科交叉研究分析社会的运行规律等。社交网络研究拥有非常广泛的应用场景,例如针对个体用户的精准营销、个性化推荐;针对群体的网络安全、信息传播、以及事件预测、趋势分析等等。同时,伴随人工智能研究的发展,社交AI的研究方兴未艾。

目前针对社交网络的研究与数据挖掘还处于相对初级的阶段,很多基础性的问题有待探索,有效的工程方法有待解决。本次报告会将邀请来自学术界、产业界的相关学者和专家,共同探讨社交网络与大数据分析的最新进展、未来趋势,以及新技术突破和产业机会。

活动议程:
14:00-14:40
报告题目:Anomaly Detection in Large Graph 
特邀讲者: Christos Faloutsos 教授,卡耐基梅隆大学

14:40-15:20
报告题目:大数据背景下的行为机理和可解释性挖掘 (兼谈微信AI生态)
特邀讲者:罗平 ,中科院计算计算所副研究员,微信AI科学顾问

15:20-16:00 
报告题目:Network Representation Learning: A Revisit in Big Data Era 
特邀讲者:崔鹏,清华大学副教授

16:00-17:00
Panel:大数据时代社交网络的下一个风口在哪里?
讨论嘉宾: Christos Faloutsos,罗平,唐杰,崔鹏
执行主席:黄婷婷 ,腾讯高校合作副总监,CCF YOCSEF 会员 
执行主席:崔  鹏 博士,清华大学副教授,CCF YOCSEF学术委员会委员
执行主席:唐  杰 博士,清华大学副教授,CCF YOCSEF学术委员会副主席

特邀讲者:Christos Faloutsos 
 
简介:Christos Faloutsos is a Professor at Carnegie Mellon University. He has received the Presidential Young Investigator Award by the National Science Foundation (1989), the Research Contributions Award in ICDM 2006, the SIGKDD Innovations Award (2010), 24 ``best paper'' awards (including 5 ``test of time'' awards), and four teaching awards.
Six of his advisees have attracted KDD or SCS dissertation awards, He is an ACM Fellow, he has served as a member of the executive committee of SIGKDD; he has published over 350 refereed articles, 17 book chapters and two monographs.He holds seven patents (and two pending),and he has given over 40 tutorials and over 20 invited distinguished lectures. His research interests include large-scale data mining with emphasis on graphs and time sequences; anomaly detection, tensors, and fractals.
题目:Anomaly Detection in large graph
摘要:Given a large graph, like who-calls-whom, or who-likes-whom, what behavior is normal and what should be surprising, possibly due to fraudulent activity?How do graphs evolve over time?We focus on these topics: (a) anomaly detection in large static graphs and (b) patterns and anomalies in large time-evolving graphs.
For the first, we present a list of static and temporal laws,including advances patterns like 'eigenspokes'; we show how to use them to spot suspicious activities, in on-line buyer-and-seller settings, in FaceBook, in twitter-like networks. For the second, we show how to handle time-evolving graphs s tensors, as well as some surprising discoveries such settings. 

特邀讲者:罗平 
 
简介:罗平博士,现任中国科学院计算技术研究所博士生导师,副研究员。研究兴趣主要集中在:数据挖掘、人工智能、机器学习等相关领域的智能算法与模型研究,并特别关注智能技术在金融、互联网领域的创新应用。近年,在数据挖掘、人工智能、大数据等领域的多个顶级国际会议(SIGKDD、IJCAI、CIKM、ICDM)和期刊(TKDE、TIT、 TKDD)上发表四十多篇高质量论文;所指导的学生论文获得第21届国际信息和知识管理大会(CIKM 2012)“最佳学生论文”奖,并两次获得数据挖掘领域国际主流学术会议“最佳论文提名奖”(CIKM 2010、SDM 2010);拥有10余项美国专利。同时,结合多年学术界和工业界的经验,曾为多个知名企业(腾讯、百度、上交所等)提供技术咨询;现担任微信AI科学顾问。
题目:大数据背景下的行为机理和可解释性挖掘 (兼谈微信AI生态)
摘要:通过将从输入到输出的复杂映射转化为大规模的非线性实数运算,当前的深度学习方法已成功应用于自然语言建模的多个场景,如机器翻译、智能对话、关系抽取等。然而,同样是离散型随机变量的序列数据,人类行为受社会、心理、传播等复杂因素的影响,呈现出更大程度的不确定性。同时,由于完整的用户行为数据往往被分散式拥有,可供分析的用户行为只能反映某些零散的片段。因此,鉴于行为数据的不确定性和不完备性,我们更有必要探究行为背后的深层机理,并挖掘可解释的行为因果关联。
本报告,将介绍我们在此方面的尝试:我们发现,用户在互联网上的浏览长度服从逆高斯分布,并通过心理学中的“阈值模型”解释了用户是否继续浏览的随机决策过程。同时,我们对线上和线下行为进行联合建模,在概率图模型的框架下挖掘线上和线下行为间的因果关联,并在北京某标杆性商场验证了该模型的商业价值。我们也将沿着从“搜索引擎”,到“问答系统”,到“Bot平台”的脉络,讨论大规模信息和知识获取平台的演进,并畅谈微信平台下的AI生态。 

特邀讲者:崔鹏
 
简介:博士,CCF YOCSEF 学术委员会委员。清华计算机系副教授、博导。主要研究兴趣包括:网络表征学习,社会动力学现象的可计算建模,数据驱动的因果效应估计以及社会感知的多媒体计算模型。发表CCF A类论文30余篇,获得国际会议论文奖6项,包括ICME2014最佳论文奖,ICDM2015最佳学生论文奖,并两次入选KDD最佳论文专刊。入选首届中国科协青年人才托举工程,获得ACM中国新星奖,中国电子学会自然科学一等奖,北京市科技进步一等奖。担任国际学术期刊IEEE TKDE、ACM TKDD编委,并10余次担任ACM Multimedia、ICDM等国际会议的领域主席或SPC。
题目:Network Representation Learning: A Revisit in Big Data Era
摘要:Nowadays, more and more applications are based on larger and larger networks. It is well recognized that network data is sophisticated and challenging. To process graph data effectively, the first critical challenge is network data representation, that is, how to represent networks properly so that advanced analytic tasks, such as pattern discovery, analysis, and prediction, can be conducted efficiently in both time and space. In this tutorial, we will present the recent thoughts and achievements on network representation. More specifically, the fundamental problems in network representation learning, including why we need to revisit network representation, what are the research goals of network representation, and how network representations can be learned, will be discussed.

即将直播

微信公开课上海站——小程序专场

2017-08-22 09:30-12:00

8月22日,在微信公开课上海站——小程序专场,微信团队中最专(shi)...

微信无现金工坊上海站——智慧出行专场

2017-08-22 15:00-18:00

8月22日,在微信智慧工坊上海站——智慧出行专场,微信支付团队将全盘...

特别推荐

王晓峰:智能共享--让自行车回归城市

评分:4.2

2016年11月,摩拜单车CEO王晓峰在“智能新生态与商业的未来”高峰...

Bjarne Stroustrup:C++背后的驱动力

评分:4.2

2016年10月,被誉为“C++之父”的摩根士丹利董事总经理Bjarne Str...

提交成功