1、项目类别：国家重点研发计划（司法专项） 所属项目：智慧法院智能化服务技术研究及支撑平台开发,面向司法领域的互联网舆情监测与分析技术研究,汇报人：郭军军 博士 时 间：2020年9月6日,1,3,4,5,目录 CONTENTS,2,0.课题总体介绍,1.司法舆情监测背景及意义,1,3,4,5,目录 CONTENTS,2,2.司法舆情监测总体实现框架,1,3,4,5,目录 CONTENTS,2,3.1 司法文书结构化解析,裁判文书网,北大法宝网,268万条司法文书,规则抽取,算法抽取,判决文书要素知识库,11万条聚法案例,自首,坦白,金额,结构化解析,迭代 优化,3.1.1 司法文书解析案件要素抽取,基于规则。

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,现实世界中存在着不同的知识图谱, 不同的知识图谱之间往往存在能够互补的信息,将不同的知识图谱对齐能够完善知识图谱，更好地用于下游任务,Knowledge graph alignment,图结构信息,实体属性信息,目的： KG1 + KG2 + 已知实体对 新实体对,关系三元组,属性三元组,Challenge,实体007大战皇家赌场的邻居中没有与之对应的实体,实体英。

3、时间复杂度接近最优的单宿PPR算法,报告人：王涵之 导 师：魏哲巍教授 中国人民大学,Personalized PageRank to a Target Node, Revisited,Author: Hanzhi Wang, Zhewei Wei*, Junhao Gan, Sibo Wang, Zengfeng Huang,Graph 图结构,社交网络,论文引用网络,图 = , : 节点集：，边集：E. =n, =m,地理信息网络,Personalized PageRank(PPR,PageRank: 衡量网络上各网页的重要性 被更多网页引用的网页，重要性越高 被重要的网页引用的网页，重要性越高 PageRank定义式: = 1 + : PageRank向量. : 起始向量. : 概率转移矩阵. : 衰减系数,PageRank: =。

4、面向合同审查的自然语言处理技术 幂律智能 CEO 涂存超 关于幂律 2 借条 3 借条该怎么写？ 4 合同审查的内容 5 合同主体是否合法 合同内容是否合法 合同意思是否真实表达 条款是否完备 合同文字是否规范 签订手续和形式是否完备 为什么需要智能合同审查 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 雇佣全职法务常年法律顾问外包法务平台单次合同审查服务 中小企业法律服务成本 花费/元 智能合同审查 7 演示 智能合同审查 12 如何进行智能合同审查 如何formulate合同审查 需要什么样的。

5、人工智能，点亮游戏未来 陶建容 网易游戏 20192019年游戏净收入年游戏净收入464.2464.2亿亿 中国第二大游戏公司中国第二大游戏公司 伏羲人工智能实验室 成立于成立于20172017年年9 9月月 中国第一个游戏中国第一个游戏AIAI研究实验室研究实验室 愿景：愿景：AIAI点亮游戏未来点亮游戏未来 + Big Data & Crowdsourcing & Computing Platform 大数据、众包、云计算平台 Reinforcement Learning 强化学习 User Profiling 用户画像 Computer Vision & Graphics 图像动画 Virtual Human 虚拟人 Natural Language Processing 自然语言处理 伏羲。

6、1 1 智慧司法业务协同关键技术研究 SMP 2020 智慧司法 2 2 2 目 录1研究背景 后续工作3 2研究进展 3 党中央和最高法、最高检、司法部、公安部对司法协同提出了明确要求 1.1 1.1 研究背景 2017.82016.10 关于推进以审判 为中心的刑事诉讼 制度改革的意见 “十三五”国家 政务信息化工程建 设规划 “全面深化司法体制改革推进会” 广东 深圳 2018.7 构建以审判为中 心的刑事诉讼体系， 贯彻公检法司“分工 负责、互相配合、互 相制约”的诉讼原则。 中央政法委要求加快建设电 子卷宗随案同步生成，构建优化 协同高效的司法机构职能体系。 构。

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、王昊奋王昊奋 2020.9.6 SMP公共安全论坛 新冠开放知识图谱新冠开放知识图谱 新冠开放知识图谱构建及关键技术 跨数据集关联与融合 数据规范与统一访问接口 新冠开放知识图谱潜在应用与发展方向 新冠开放知识图谱相关数据竞赛 目 录 C O N T E N T 截至9月5日24时，全球新冠肺炎确诊病例累计达26,953,12026,953,120例，累计死亡878,256878,256例。疫情态势依 然严峻复杂。 每天大量关于新冠肺炎的信息分布在各种媒体网站、研究刊物、官方文件等，需要将过载的信息整合， 提高信息利用价值，有效助力抗疫行动。 疫情袭来，信息过载疫情袭来，。

9、基于结构化深度学习的统计对话管理 俞俞 凯凯 上海交通大学上海交通大学-思必驰智能人机交互联合实验室思必驰智能人机交互联合实验室 合作者合作者：Milica Gasic、陈露、陈志、朱苏、谭博文、龙思杉、刘啸远、陈露、陈志、朱苏、谭博文、龙思杉、刘啸远 提纲 2 图神经网络 1 任务型对话系统 3 结构化强化学习 4 简述图神经网络在DST中的应用 基于结构化深度学习的统计对话管理 上海交通大学-思必驰智能人机交互联合实验室 俞凯 对话系统分类 聊天型聊天型知识问答型知识问答型任务型任务型 上下文是否是 结构化知识库否是是 数据多中少 。

10、Graph Neural Networks with Graph Neural Networks with Substructure PatternsSubstructure Patterns GuojieGuojie SONG (SONG (宋国杰) ) School of EECS, Peking School of EECS, Peking UniversityUniversity 第九届全国社会媒体处理大会（SMP2020）中国-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 体 28pt 白 体 面向推荐系统的反事实学习研究 董振华 2020年9月SMP2020 内内 容容 推荐系统研究简史 面向推荐系统的反事实学习 推推荐荐系系统统学学术术简简史史（GroupLens视视角角） 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 社交网络谣言检测 汇报人：王伟平 网络谣言的危害1 谣言检测的挑战2 谣言检测的方法3 谣言检测研究展望4 目录 社交媒体网络谣言 社交媒体是人们用来创作、分享、交流意见、观点及经验的 网络平台，成为信息传播和维系社会关系的重要渠道。根据 新浪微博2019 年发布的年度报告显示，三分之一的谣言始 发于社交网络。 社交媒体中的谣言 社交媒体谣言危害国家安全，引发社会恐慌 、 2019网络十大谣言中国互联网联合辟谣平台 网络谣言的危害（1） 1. 网络谣言加剧社会恐慌 “人人都有麦克风、时时刻刻都发言”的自媒体、微信息时代已经到来。

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、互联网多媒体内容分析中的互联网多媒体内容分析中的 音频处理技术音频处理技术 颜永红颜永红 中科院语言声学与内容理解重点实验室中科院语言声学与内容理解重点实验室 2020.9.62020.9.6 智能时代智能时代 前进中的语言声学前进中的语言声学 第二届全国社会舆情论坛第二届全国社会舆情论坛 2 中国科学院声学研究所中国科学院声学研究所 Institute of Acoustics, CAS v? v? v? ? 3 中国科学院声学研究所中国科学院声学研究所 Institute of Acoustics, CAS 互联网多媒体内容分析难点互联网多媒体内容分析难点 q? ? ? ? q? ? ? ? q? q? q? ? 4。

16、社交机器人账号识别问题与挑战 李阳阳 社会安全风险感知与防控大数据应用国家工程实验室 研究背景 互联网技术飞速发展，人人都拥有自己的网络设备 社交网络规模扩张，在工作生活中也愈发重要 催生大量的机器账号（社交机器人） Twitter活跃账号中有9%-15%为机器账号 60.10% 29.90% 奥巴马 正常账号机器账号 78.10% 21.90% 罗姆尼 正常账号机器账号 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、新技术革命背景下的社会舆情及其关键新技术革命背景下的社会舆情及其关键 喻国明 教育部长江学者特聘教授 北京师范大学新闻传播学院执行院长 中国传媒经济与管理学会会长 一、影响中国舆论传播格局的四大基本变量 1.1.政府规制政府规制 2.2.市场产业市场产业 3.3.技术革命技术革命 4.4.社会安全社会安全 二、舆情研究所需面对的第一现实：媒介化 1.1.解决战略问题比解决战术问题更为重要解决战略问题比解决战术问题更为重要 战略问题解决战略问题解决“在哪儿做在哪儿做”、“做什么做什么”的问题，即的问题，即“做正确的做正确的 事事。

18、多语言事件关联分析及观点挖掘研究多语言事件关联分析及观点挖掘研究 余正涛 2020年9月6日 昆明理工大学 目 录 研究背景1 多语言知识图谱构建2 多语言文本语义表征3 多语言事件分析及观点挖掘4 研究趋势5 研究背景 国家之间的交流日益密切，共同关注的事件越来越多。及时 获取不同国家的事件信息，把握不同国家的事件动态及事件 间的关联关系，掌握不同国家对同一事件的观点，对于促进 国际交流合作有着非常重要的意义。 研究难点 多语言知识稀缺 单语事件分析：面向单语言的 热点事件发现、跟踪、分析及 预测等任务，已形成较为完善 的事。

19、基于政治支持者网络的选举预测模型研究与应用基于政治支持者网络的选举预测模型研究与应用 Election Prediction Model and Application Based on Politicians Supporters Network 张华平博士张华平博士Asif Khan(博士生博士生) 大数据搜索与挖掘实验室 www.nlpir.org 第二届全国社会舆情分析论坛 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。