报告时间：12月8日（本周六） 08：30-12：00
报告地点：金沙集团3354cmN3-320
赵鑫，中国人民大学副教授。近五年内在国内外著名学术期刊与会议上以第一作者或者第二作者身份发表论文60余篇。所发表的学术论文取得了一定的关注度，据Google Scholar统计，已发表论文共计被引用2200余次，其中以第一作者发表的《Comparing Twitter and Traditional Media Using Topic Models》被引用950余次。担任多个重要的国际会议或者期刊评审，入选第二届CCF青年人才发展计划。曾获得CIKM 2017最佳短文候选以及AIRS 2017最佳论文奖。
报告题目：基于知识与推理的序列化推荐技术研究
报告摘要：
推荐系统一直是工业界和学术界的研究热点。传统序列化推荐算法已经取得了非常不错的实战效果，但是这些已有算法对于可解释性关注不够，所采用的模型大部分只能刻画用户行为的序列性。本次报告主要借鉴最近几年深度学习模型在推理机制方面和知识融入方面的进展，提出了能够同时刻画序列性和可解释性的推荐算法。为了加强推理能力、改善可解释性，在推荐算法中引入了外部知识信息。经过实验验证，所提出算法在推荐准确率以及可解释性两个方面均有提升。
陈勐，现任金沙集团3354cm齐鲁交通学院助理研究员。2011年本科毕业于金沙集团3354cm软件学院，2016年博士毕业于金沙集团3354cm。2016年至2018年在加拿大约克大学做博士后研究。陈勐博士主要从事时空轨迹数据挖掘和智慧交通等领域的研究，在国内外知名期刊和会议上发表10余篇文章，包括IEEE Transactions on Intelligent Transportation Systems，World Wide Web，Information Systems等，并担任多个著名期刊和会议的审稿人。
报告题目：时空轨迹数据挖掘
报告摘要：
随着定位设备和视频捕捉设备的广泛应用，时空轨迹数据（如社交网络签到数据，城市道路车辆通行数据）的获得变得越来越便捷。这些轨迹数据蕴含着巨大的价值，为城市计算、路径规划、位置预测等领域的应用奠定了基础。本报告将试图探讨时空轨迹数据挖掘领域所面临的挑战和机遇，并结合我们的前期工作给出下一个位置预测和城市交通拥堵预测的解决方案。
刘伟锋，博士，教授，博士生导师，副院长，IEEE高级会员，ACM会员，CCF会员，CCF计算机视觉专委会委员。2002年6月毕业于中国科学技术大学自动化专业，获自动控制与工商管理双学士学位，2007年6月毕业于中国科学技术大学模式识别与智能系统专业，获工学博士学位，2009年12月晋升副教授，2011年9月至2012年9月在澳大利亚悉尼科技大学做访问学者，2016年12月晋升教授，2017年6月至2017年9月在澳门大学做访问博士后。
主要研究方向为多视角学习、稀疏学习、流形学习等机器学习理论在多媒体信息处理、智能人机交互、情感计算、行为分析等领域中的应用。目前主持在研国家自然科学基金面上项目1项，主持完成国家自然科学基金青年基金1项，山东省自然科学基金青年基金1项，作为骨干参与省部级以上科研项目3项；近年在国内外重要学术期刊与会议上发表学术论文近百篇，其中SCI收录25篇，6篇论文入选ESI高被引论文，3篇论文入选ESI热点论文；申请国家发明专利8项，授权3项。担任IEEE SMC协会感知计算技术委员会主席，SCI期刊《Neural Processing Letters》编委，《Signal Processing》、《Neurocomputing》、《Remote Sensing》等期刊客座编辑，40余种领域内重要期刊审稿人，近年来作为分会（共同）主席、宣传主席等组织国际学术会议分会十余次，担任国际学术会议技术委员会成员或审稿人数十余次。
报告题目：p-Laplacian Regularization for Scene Recognition
报告摘要：
The explosive growth of multimedia data on the Internet makes it essential to develop innovative machine learning algorithms for practical applications especially where only a small number of labeled samples are available. Manifold regularized semi-supervised learning (MRSSL) thus received intensive attention recently because it successfully exploits the local structure of data distribution including both labeled and unlabeled samples to leverage the generalization ability of a learning model. Although there are many representative works in MRSSL, including Laplacian regularization (LapR) and Hessian regularization, how to explore and exploit the local geometry of data manifold is still a challenging problem. In this paper, we introduce a fully efficient approximation algorithm of graph p-Laplacian, which significantly saving the computing cost. And then we pro- pose p-LapR (pLapR) to preserve the local geometry. Specifically, p-Laplacian is a natural generalization of the standard graph Laplacian and provides convincing theoretical evidence to better preserve the local structure. We apply pLapR to support vector machines and kernel least squares and conduct the implementations for scene recognition. Extensive experiments on the Scene 67 dataset, Scene 15 dataset, and UC-Merced dataset validate the effectiveness of pLapR in comparison to the conventional manifold regularization methods.
