神经网络在处理图像、语音、文本等具有较好空间结构的数据时展现出了很好的优势，但是不能直接应用于图（Graph）这类空间结构不规则的数据上。近年来，研究人员开始研究如何将神经网络应用到到图数据上，形成了图神经网络的研究热潮，并提出 GCN、GraphSAGE、GAT 等一系列方法。当前图神经网络主要针对由相同类型节点和边构成的同质图。然而，大量实际交互系统需要建模成由不同类型的节点和边构成的异质图。将神经网络应用于异质图将会有一些新的特点和挑战。本报告将介绍图神经网络，特别是异质图神经网络的最新研究进展；并结合电商场景，讲解如何利用图神经网络解决实际问题。

内容大纲

1. 图神经网络介绍

• 表示学习
• 图建模方法
• 图神经网络基本思想

2. 图神经网络模型

• 浅层模型
• 深层模型

3. 图神经网络应用

• 套现用户检测
• 用户意图推荐
• 复杂用户聚类

4. 总结

听众收益

1. 了解图神经网络；

2. 了解对交互系统的图建模方法；

3. 了解图神经网络解决实际问题的方法。

适合人群

了解基础的数据挖掘和机器学习。

作为全球领先的生活服务电子商务平台，美团点评拥有围绕吃喝玩乐全场景的丰富数据，对这些跨场景数据进行充分挖掘、映射、聚合与关联，构建了一个全世界最大的生活服务知识图谱——“美团大脑”，来促进每个场景下应用服务的智能升级。本次演讲将会聚焦于生活服务的新零售场景，分享如何通过商品的文本、图像等内容来构建商品知识图谱，以帮助深入理解商品的品类、属性、用途等多维度信息，以及知识图谱在新零售商品的搜索、推荐等场景下如何应用。

内容大纲

1. 美团大脑介绍；

2. 生活服务中的新零售介绍；

3. 生活服务中商品知识图谱构建；

4. 生活服务中商品知识图谱的应用。

听众收益

1. 了解生活服务领域的知识图谱；

2. 了解知识图谱如何构建；

3. 了解知识图谱如何落地。

适合人群

了解基础的知识图谱知识和 NLP 知识。

当前深度学习模型需要在一定认知先验的基础上进行更加稳定、高效的学习与推理，这类先验正是能从数据中无监督的学到可解释概念的基础，而在推荐系统中也可以利用认知先验来更好的对用户的长短期兴趣进行捕捉和预测，构建可外化的推荐理由。通过概念的理解我们还可以对商品进行更深层次的理解并二次加工形成场景化或更精细化的导购，创造新的商业价值。本次分享将从以下几个方面进行重点探讨：

内容大纲

1. 目前推荐系统中面临的问题

2. 从认知推理的角度缓解这样的困境

• 围绕认知概念进行个性化推荐的各种形式
• 解离化的用户/商品兴趣表征
• 用户长短期兴趣的维护与演化
• 推荐理由与场景描述的生成

3. 认知推理的前沿技术研究

• Cognitive Graph 在 QA、KB 领域崭露头角
• 概念自学习进展

听众受益

• 了解电商推荐系统中的切实问题；
• 了解目前电商推荐系统的技术进展与未来关注的方向；
• 了解认知推理技术的研究现状与应用前景。

适合人群

了解深度学习特别是表征学习在推荐系统中的应用、了解大规模无监督学习的方法、了解知识图谱的相关概念。