2020年第九屆全國社會媒體處理大會嘉賓演講PPT資料合集（共23套打包）

1、項目類別：國家重點研發計劃（司法專項） 所屬項目：智慧法院智能化服務技術研究及支撐平臺開發,面向司法領域的互聯網輿情監測與分析技術研究,匯報人：郭軍軍 博士 時 間：2020年9月6日,1,3,4,5,目錄 CONTENTS,2,0.課題總體介紹,1.司法輿情監測背景及意義,1,3,4,5,目錄 CONTENTS,2,2.司法輿情監測總體實現框架,1,3,4,5,目錄 CONTENTS,2,3.1 司法文書結構化解析,裁判文書網,北大法寶網,268萬條司法文書,規則抽取,算法抽取,判決文書要素知識庫,11萬條聚法案例,自首,坦白,金額,結構化解析,迭代 優化,3.1.1 司法文書解析案件要素抽取,基于規則。

2、BERT-INT: A BERT-based Interaction Model For Knowledge Graph Alignment,Xiaobin Tang Collaborated with Jing Zhang, Bo Chen, Yang Yang, Hong Chen, Cuiping Li,Motivation of knowledge graph alignment,現實世界中存在著不同的知識圖譜, 不同的知識圖譜之間往往存在能夠互補的信息,將不同的知識圖譜對齊能夠完善知識圖譜，更好地用于下游任務,Knowledge graph alignment,圖結構信息,實體屬性信息,目的： KG1 + KG2 + 已知實體對 新實體對,關系三元組,屬性三元組,Challenge,實體007大戰皇家賭場的鄰居中沒有與之對應的實體,實體英。

3、時間復雜度接近最優的單宿PPR算法,報告人：王涵之 導 師：魏哲巍教授 中國人民大學,Personalized PageRank to a Target Node, Revisited,Author: Hanzhi Wang, Zhewei Wei*, Junhao Gan, Sibo Wang, Zengfeng Huang,Graph 圖結構,社交網絡,論文引用網絡,圖 = , : 節點集：，邊集：E. =n, =m,地理信息網絡,Personalized PageRank(PPR,PageRank: 衡量網絡上各網頁的重要性 被更多網頁引用的網頁，重要性越高 被重要的網頁引用的網頁，重要性越高 PageRank定義式: = 1 + : PageRank向量. : 起始向量. : 概率轉移矩陣. : 衰減系數,PageRank: =。

4、面向合同審查的自然語言處理技術 冪律智能 CEO 涂存超 關于冪律 2 借條 3 借條該怎么寫？ 4 合同審查的內容 5 合同主體是否合法 合同內容是否合法 合同意思是否真實表達 條款是否完備 合同文字是否規范 簽訂手續和形式是否完備 為什么需要智能合同審查 6 150,000 100,000 35,000 1,000 0 20,000 40,000 60,000 80,000 100,000 120,000 140,000 160,000 雇傭全職法務常年法律顧問外包法務平臺單次合同審查服務 中小企業法律服務成本 花費/元 智能合同審查 7 演示 智能合同審查 12 如何進行智能合同審查 如何formulate合同審查 需要什么樣的。

5、人工智能，點亮游戲未來 陶建容 網易游戲 20192019年游戲凈收入年游戲凈收入464.2464.2億億 中國第二大游戲公司中國第二大游戲公司 伏羲人工智能實驗室 成立于成立于20172017年年9 9月月 中國第一個游戲中國第一個游戲AIAI研究實驗室研究實驗室 愿景：愿景：AIAI點亮游戲未來點亮游戲未來 + Big Data & Crowdsourcing & Computing Platform 大數據、眾包、云計算平臺 Reinforcement Learning 強化學習 User Profiling 用戶畫像 Computer Vision & Graphics 圖像動畫 Virtual Human 虛擬人 Natural Language Processing 自然語言處理 伏羲。

6、1 1 智慧司法業務協同關鍵技術研究 SMP 2020 智慧司法 2 2 2 目 錄1研究背景 后續工作3 2研究進展 3 黨中央和最高法、最高檢、司法部、公安部對司法協同提出了明確要求 1.1 1.1 研究背景 2017.82016.10 關于推進以審判 為中心的刑事訴訟 制度改革的意見 “十三五”國家 政務信息化工程建 設規劃 “全面深化司法體制改革推進會” 廣東 深圳 2018.7 構建以審判為中 心的刑事訴訟體系， 貫徹公檢法司“分工 負責、互相配合、互 相制約”的訴訟原則。 中央政法委要求加快建設電 子卷宗隨案同步生成，構建優化 協同高效的司法機構職能體系。 構。

7、 ? ? ? ? ? ? 2020?9?6? ? ! ? ? ! (a)? ? (b)? ? ?2019?12?1? ? ?2020?1?1?2020? 1?22? ? ?(2020?1?10?)? ? (c) ?2020?1?22? ? ? ?50%?128?241? ?50%? ? Zhanwei Du#, Lin Wang#, Simon Cauchemez, Xiaoke Xu, Xianwen Wang, Benjamin J. Cowling, and Lauren Ancel Meyers*, Risk for transportation of 2019 novel coronavirus disease from Wuhan to other cities in China. Emerg Infect Dis. 2020 May. !#$?!#%?!? ! ?$,)$)$ 9)?,.A)AA$,?$0,=,)A$%?.;H$)$0,)=,;# I30$1.J;$!&;(#$)$G=AA4$K:$84(/$:8/8.6$3?$ABCDEFG84(/$:8/8.6$3?$。

8、王昊奮王昊奮 2020.9.6 SMP公共安全論壇 新冠開放知識圖譜新冠開放知識圖譜 新冠開放知識圖譜構建及關鍵技術 跨數據集關聯與融合 數據規范與統一訪問接口 新冠開放知識圖譜潛在應用與發展方向 新冠開放知識圖譜相關數據競賽 目 錄 C O N T E N T 截至9月5日24時，全球新冠肺炎確診病例累計達26,953,12026,953,120例，累計死亡878,256878,256例。疫情態勢依 然嚴峻復雜。 每天大量關于新冠肺炎的信息分布在各種媒體網站、研究刊物、官方文件等，需要將過載的信息整合， 提高信息利用價值，有效助力抗疫行動。 疫情襲來，信息過載疫情襲來，。

9、基于結構化深度學習的統計對話管理 俞俞 凱凱 上海交通大學上海交通大學-思必馳智能人機交互聯合實驗室思必馳智能人機交互聯合實驗室 合作者合作者：Milica Gasic、陳露、陳志、朱蘇、譚博文、龍思杉、劉嘯遠、陳露、陳志、朱蘇、譚博文、龍思杉、劉嘯遠 提綱 2 圖神經網絡 1 任務型對話系統 3 結構化強化學習 4 簡述圖神經網絡在DST中的應用 基于結構化深度學習的統計對話管理 上海交通大學-思必馳智能人機交互聯合實驗室 俞凱 對話系統分類 聊天型聊天型知識問答型知識問答型任務型任務型 上下文是否是 結構化知識庫否是是 數據多中少 。

10、Graph Neural Networks with Graph Neural Networks with Substructure PatternsSubstructure Patterns GuojieGuojie SONG (SONG (宋國杰) ) School of EECS, Peking School of EECS, Peking UniversityUniversity 第九屆全國社會媒體處理大會（SMP2020）中國-杭州 2 Outline Graph Neural Networks Why Care about Substructure Pattern GNN with Substructure Pattern GraLSP Model Yilun Jin, Guojie Song*, Chuan Shi. GraLSP: Graph Neural Networks with Local Structural Patterns. In Proc. of AAAI2020. GraphSTONE Model Qingqi。

11、47pt 30pt 白 : FrutigerNext LT Medium : Arial 47pt 體 28pt 白 體 面向推薦系統的反事實學習研究 董振華 2020年9月SMP2020 內內 容容 推薦系統研究簡史 面向推薦系統的反事實學習 推推薦薦系系統統學學術術簡簡史史（GroupLens視視角角） 1992, Information filtering and information retrieval: two sides of the same coin, CACM 1992. 1994, GroupLens: news recommendation system based on collaborative filtering technologies. “GroupLens: An Open Architecture for Collaborative Filtering of Netnews”, CSCW 1994. 1996。

12、Peng Cui Tsinghua University Stable Learning: The Convergence of Machine Learning and Causal Inference 2 Human Healthcare Law Transportation Fintech Now AI is stepping into risk-sensitive areas Shifting from Performance Driven to Risk Sensitive Human in the loopUnexplainable MedicalMilitaryFinance Risks of Todays AI Algorithms 4 Most ML methods are developed under I.I.D hypothesis Risks of Todays AI Algorithms 5 Yes Maybe No Risks of Todays AI Algorithms Cancer survival rate prediction 6 Trainin。

13、ju 社交網絡謠言檢測 匯報人：王偉平 網絡謠言的危害1 謠言檢測的挑戰2 謠言檢測的方法3 謠言檢測研究展望4 目錄 社交媒體網絡謠言 社交媒體是人們用來創作、分享、交流意見、觀點及經驗的 網絡平臺，成為信息傳播和維系社會關系的重要渠道。根據 新浪微博2019 年發布的年度報告顯示，三分之一的謠言始 發于社交網絡。 社交媒體中的謠言 社交媒體謠言危害國家安全，引發社會恐慌 、 2019網絡十大謠言中國互聯網聯合辟謠平臺 網絡謠言的危害（1） 1. 網絡謠言加劇社會恐慌 “人人都有麥克風、時時刻刻都發言”的自媒體、微信息時代已經到來。

14、Generative Pre-Training of Graph Neural Networks,Ziniu Hu1, Yuxiao Dong2, Kuansan Wang2, Kai-Wei Chang1, Yizhou Sun1 1University of California, Los Angeles 2Microsoft Research, Redmond,Learning from Unlabeled Data,Unlabeled Data Accessible, Abundant (1000 X more,Labeled Data Expensive, Scarce,Learning from Unlabeled Data,Anomaly Detection on Graph: Labeled Nodes: Malicious Account (scarce) Unlabeled Nodes: The whole Graph (abundant,Unsupervised Pre-Training,w/ Abundant Unlabeled Data,w/ Few Labe。

15、互聯網多媒體內容分析中的互聯網多媒體內容分析中的 音頻處理技術音頻處理技術 顏永紅顏永紅 中科院語言聲學與內容理解重點實驗室中科院語言聲學與內容理解重點實驗室 2020.9.62020.9.6 智能時代智能時代 前進中的語言聲學前進中的語言聲學 第二屆全國社會輿情論壇第二屆全國社會輿情論壇 2 中國科學院聲學研究所中國科學院聲學研究所 Institute of Acoustics, CAS v? v? v? ? 3 中國科學院聲學研究所中國科學院聲學研究所 Institute of Acoustics, CAS 互聯網多媒體內容分析難點互聯網多媒體內容分析難點 q? ? ? ? q? ? ? ? q? q? q? ? 4。

16、社交機器人賬號識別問題與挑戰 李陽陽 社會安全風險感知與防控大數據應用國家工程實驗室 研究背景 互聯網技術飛速發展，人人都擁有自己的網絡設備 社交網絡規模擴張，在工作生活中也愈發重要 催生大量的機器賬號（社交機器人） Twitter活躍賬號中有9%-15%為機器賬號 60.10% 29.90% 奧巴馬 正常賬號機器賬號 78.10% 21.90% 羅姆尼 正常賬號機器賬號 Varol O, Ferrara E, Davis C A, et al. Online human-bot interactions: Detection, estimation, and characterizationJ. arXiv preprint arXiv:1703.03107, 2017. 研究背景 2018年11月20日。

17、新技術革命背景下的社會輿情及其關鍵新技術革命背景下的社會輿情及其關鍵 喻國明 教育部長江學者特聘教授 北京師范大學新聞傳播學院執行院長 中國傳媒經濟與管理學會會長 一、影響中國輿論傳播格局的四大基本變量 1.1.政府規制政府規制 2.2.市場產業市場產業 3.3.技術革命技術革命 4.4.社會安全社會安全 二、輿情研究所需面對的第一現實：媒介化 1.1.解決戰略問題比解決戰術問題更為重要解決戰略問題比解決戰術問題更為重要 戰略問題解決戰略問題解決“在哪兒做在哪兒做”、“做什么做什么”的問題，即的問題，即“做正確的做正確的 事事。

18、多語言事件關聯分析及觀點挖掘研究多語言事件關聯分析及觀點挖掘研究 余正濤 2020年9月6日 昆明理工大學 目 錄 研究背景1 多語言知識圖譜構建2 多語言文本語義表征3 多語言事件分析及觀點挖掘4 研究趨勢5 研究背景 國家之間的交流日益密切，共同關注的事件越來越多。及時 獲取不同國家的事件信息，把握不同國家的事件動態及事件 間的關聯關系，掌握不同國家對同一事件的觀點，對于促進 國際交流合作有著非常重要的意義。 研究難點 多語言知識稀缺 單語事件分析：面向單語言的 熱點事件發現、跟蹤、分析及 預測等任務，已形成較為完善 的事。

19、基于政治支持者網絡的選舉預測模型研究與應用基于政治支持者網絡的選舉預測模型研究與應用 Election Prediction Model and Application Based on Politicians Supporters Network 張華平博士張華平博士Asif Khan(博士生博士生) 大數據搜索與挖掘實驗室 www.nlpir.org 第二屆全國社會輿情分析論壇 2020.9 Reference Asif Khan, Huaping Zhang, Jianyun Shang, Nada Boudjellal, Arshad Ahmad, Asmat Ali, Lin Dai, Predicting Politicians Supporters Network on Twitter Using Social Network Analysis and Semantic Analysis,Scientific 。

20、Mining Implicit Entity Preference from User-Item Interaction Data for Knowledge Graph Completion via Adversarial Learning,Gaole He, Junyi Li, Wayne Xin Zhao, Peiju Liu and Ji-Rong Wen,Outline,Introduction Background Motivation Related Work Task Definition Challenge , ) evaluates whether the entity can be the answer to a given query , , ? by computing the following probability,MLP-1,MLP-2,KG,score,query,answer,Query-specific Entity Generator,For each query , , ?, the probability distribution to s。

21、TryThisInstead:PersonalizedandInterpretable RecommendationonSubstitutableProducts Work appears in SIGIR20 Presented by: Tong Chen Tong Chen, Hongzhi Yin, Guanhua Ye, Zi Huang Yang Wang, Meng Wang Overview:ProductRelationships 1https:/ 2https:/www.foodnavigator- Atypicalonlineshoppingprocess: setagoal sport food leisure narrowdownfindcandidates 1 2 checkout Howcanwehelp? Complementary relationship: Products that are complementary to each other Usually recommended as a bundle Substitutable relatio。

22、Ting Chen Simon Kornblith Mohammad Norouzi Geoffrey Hinton,SimCLR: A Simple Framework for Contrastive Learning of Visual Representations,Google Research, Brain Team,Unsupervised representation learning,We tackle the problem of general visual representation learning from a set of unlabeled images. After unsupervised learning, the learned model and image representations can be used for downstream applications,Unlabeled data (images,Unsupervised pretrained network,Downstream applications,First cate。

23、1 Controllable Multi-Interest Framework for Recommendation Yukuo Cen, Jianwei Zhang, Xu Zou, Chang Zhou, Hongxia Yang, Jie Tang Tsinghua KEG & Alibaba DAMO Academy Paper: https:/arxiv.org/abs/2005.09347 Github: https:/ 2 Background Rapid development of e-commerce Personalized recommender systems 3 Recommender System Industrial recommender systems: matching stage ranking stage The matching stage: retrieve top-N candidate items The ranking stage: sort the candidate items by scores Matching: candid。