报告题目：图神经网络 (GNN) 及认知推理
时 间：2019年10月11日下午13:30
地 点：2138com太阳集团(中国)有限公司918会议室
主办单位：华中师范大学2138com太阳集团(中国)有限公司
专家简介：唐杰，清华大学计算机系教授、系副主任，国家杰出青年科学基金获得者。。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。主持研发了研究者社会网络挖掘系统AMiner，吸引全球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。作为第一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。
报告简介：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。我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。接着，我会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。我们研究发现几个巧妙、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。最后我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。
