| Professor Jian Cao CCF Senior Member, IEEE Senior Member Shanghai Jiao Tong University, China Biography: 教授。上海交通大学长聘教授、计算机系网络与服务计算研究所所长。主要研究方向为：智能数据分析，网络与服务计算，协同信息系统。近五年来主持项目近30项，其中包括多项国家重点研发计划/863课题、国家自然科学基金课题，上海市科委重点项目，并和国内外单位进行合作研究。成果应用于金融服务、智能运维、个性化旅游服务和个性化医疗领域。获得省部级科技进步奖励9项，入选教育部新世纪优秀人才资助计划。在国内外发表论文300多篇。目前为IEEE高级会员，中国计算机学会杰出会员，中国计算机学会协同计算专委会常务成员、服务计算专委会委员。 Speech Title: 大模型时代的流程管理 Abstract:流程管理具有广阔的应用，从企业运行、任务规划、科学数据分析到Web服务集成。大模型给流程管理带了新的机遇。本报告将举例说明基于大模型的流程推荐、流程优化和流程异常监控方法。 |
| Doctor Nengjun Zhu Shanghai University, China Biography: 朱能军， 博士，上海大学计算机工程与科学学院讲师，硕导。 CCF协同计算专委执委、YOCSEF上海学术秘书、PRIJCAI 2022 Local Chair。 分别于四川大学和上海交通大学获得计算机科学与技术学士与博士学位。 曾在美国罗格斯大学、百度研究院访问交流。 在TOIS、TKDD、SIGIR、WSDM、IJCAI、ICDM、ICWS等高水平期刊和会议上发表论文40篇左右。 主持国自然青年、上海市启明星计划、上大青年英才启航计划等项目，参与国家重点研发计划、国自然等项目多项。 主导设计和研发的医疗智能决策辅助系统和乳腺癌病例数据库目前服务于瑞金等40多家医院和中心。上海市一流本科课程团队成员。 主要研究领域包括：数据挖掘、推荐系统、医疗决策辅助等。 Speech Title: 基于用户意图与偏好融合建模的协同推荐 Abstract: 用户意图和偏好是影响用户决策的两个重要因素，而传统推荐方法将用户行为等信息笼统地归结到用户偏好表征学习上，忽视了用户意图和偏好在用户决策过程中的差异化作用。实际上，一方面我们可以利用意图和偏好差异化处理提升面向用户意图的推荐效果；另一方面也可以将意图作为推荐依据，提升推荐结果的可解释性；同时，对新意图地洞察，又可以提高推荐结果的新颖性，增加用户惊喜度。因此，基于意图学习的推荐方法具有很好的发展前景和重要研究价值。本报告将围绕意图概念定义、意图建模、意图与偏好融合推荐三个方面对现有方法的分类、采用的策略和技术、未来可能的研究思路等进行介绍，并报告我们在其中做的一些研究工作。 |
| Doctor Jianqi Gao Shanghai Jiao Tong University, China Biography: 高剑奇，上海交通大学在站博士后，主要研究方向为对抗训练、模型优化和知识驱动的语言理解与推理，包括但不限于大模型的训练与微调、基于大模型的知识检索等。在AAAI, WWW等会议或者期刊发表论文多篇。 Speech Title: 大模型增强的知识图谱问答技术 Abstract: 知识库问答（Knowledge Base Question Answering, KBQA）是一种利用大规模知识图谱（Knowledge Graph, KG）中存储的结构化知识来回答自然语言问题的技术。随着信息规模的指数级增长以及对准确、高效信息检索需求的不断提升，KBQA系统在多个领域的重要性日益凸显。这类系统通过弥合人类自然语言查询与结构化知识表示之间的语义鸿沟，为用户提供了直观的问答界面，使其能够高效访问海量结构化知识。近年来，大语言模型（Large Language Model, LLM）的兴起为KBQA领域带来了革命性的变革。凭借其强大的自然语言理解与生成能力，LLM在处理复杂问答任务中展现出显著潜力。传统的KBQA方法主要依赖于语义解析（Semantic Parsing）和信息检索（Information Retrieval）两种范式。其中，基于信息检索的方法通过检索与问题相关的路径并进行推理，但由于引入了大量无效路径，导致大模型推理的准确率较低。而基于语义解析的方法则通过直接生成结构化查询语句进行检索，通常具有更高的准确率，但仍面临查询语句不可执行、可解释性不足等挑战。针对这些问题，本研究以基于语义解析的方法为基础，提出了一种自适应的任务分解框架，旨在提升大模型在知识图谱上的推理能力。通过优化查询语句的生成质量与可执行率，并增强方法的可解释性，本研究为KBQA系统的性能提升提供了新的解决方案。 |
| Assoc. Prof. Shanshan Feng Shandong Normal University, China Biography: 冯珊珊，山东师范大学信息科学与工程学院副教授，硕士生导师。2017年毕业于上海交通大学电子信息与电气工程学院计算机系，获计算机科学与技术专业，工学博士学位。2019年7月至2020年7月为密歇根大学访问学者。主要从事推荐系统，自动问答系统，机器学习，表征学习，自然语言处理等领域的研究，具体包括：考虑数据偏差的个性化推荐，序列推荐，跨领域推荐；临时性用户群体的兴趣表征、建模及推荐；文本分析技术在自动问答系统中的应用与创新等。现主持国家级合作项目两项，国际交流计划项目一项，山东省自然面上项目一项。在 TKDD, ICWS (research track), ICDM, Information Science, KBS 等CCF推荐的重要国际期刊和会议上以第一作者发表学术论文20余篇。目前是中国计算机学会协同计算专委会程序委员，同时担任多个顶级学术期刊和会议的审稿人。 Speech Title: 利用LLM助力群体推荐系统 Abstract: 群体推荐是个性化推荐的扩展和深化。与个性化推荐相比，模型结构更复杂，也面临着更加严峻的挑战，主要包括更严重的数据稀疏性问题、如何利用现有的用户与项目之间的交互来获取群体与项目之间的交互、推荐性能差、可解释性差等。在个性化推荐系统中，LLM已经表现出了卓越的学习、理解和推理能力，并在许多领域得到了广泛应用。受此启发，我们设计了一个利用LLM 来助力群体推荐系统的模型，该模型可以利用LLM强大的语义分析和学习能力，从文本信息中挖掘出群体感兴趣的语义主题，并结合LLM丰富的语义知识来学习、理解和表示群体的偏好，从而提交群体推荐的准确性和可解释性。 |
