智能信息检索与挖掘报告会现场。中国网记者 马旷/摄

中国网9月18日讯（记者 马旷） 昨日（17日） ， 由北京智源人工智能研究院（简称“北京智源”）主办，中国人民大学高瓴人工智能学院（简称“高瓴人工智能学院”）协办的“智能信息检索与挖掘”报告会在京成功举办。

据悉，这是继8月27日北京智源正式对外发布该研究方向后，国内信息检索与挖掘顶尖学者首次对这一领域的各个关键问题做全景式报告。出席本次报告会的有：该研究方向的参与人、首席科学家、中国人民大学信息学院院长文继荣教授，智源研究项目经理、中国人民大学窦志成教授，以及来自北京大学、清华大学 、中国科学院等单位的智源研究员和智源青年科学家。

作为北京智源继“人工智能数理基础 ”和“ 机器学习 ”后发布的第三个重大科研方向，“智能信息检索与挖掘” 旨在于智能信息检索与挖掘的基础理论方面寻求突破，同时基于理论基础，建立新型信息检索与挖掘算法，有效解决用户精准多样的信息需求与庞大互联网数据规模之间的鸿沟问题。在本次报告会上，共有九位学者围绕“智能信息检索与挖掘”这一方向的各个关键领域，发表了相关的研究成果及议题。

在此前的智源 “智能信息检索与挖掘”重大研究方向发布会上，北京市科学技术委员会党组书记、主任许强曾指出，发展人工智能产业关键靠人才，现阶段我国人工智能尤其在“机器学习”等领域存在人才少、人才成本高的情况。面向未来，人工智能产业发展前景广阔，也任重道远。要积极发挥北京人才集聚优势，着力在培养人才、吸引人才上下功夫。与此同时，坚持“百花齐放”，充分鼓励高校、研究机构和企业共同引领人工智能产业的发展。北京智源构建了一个开放、自由、创新的研究与人才培养模式，希望未来能够有更多的专家学者参与到这个模式中来，共同努力推动北京地区人工智能领域的发展。

中国人民大学教授文继荣致辞。（中国网发 主办方供图）

作为“智能信息检索与挖掘”研究方向的首席科学家，中国人民大学教授文继荣说：“获取高质量的信息永远是人类的核心需求，但由于人类记忆和查找信息的能力有限，因此利用计算机进行检索与挖掘具有极强的必要性。新时代的搜索引擎应该升级为智能信息助手，甚至进一步演变为个人智能信息助手。使得用户能够随时、随地，方便地获取与自己相关的高质量信息和知识。在北京智源的大力支持下，我们能够在智能信息检索与挖掘这一领域进行自由探索。围绕构建‘个人智能信息助手’的关键科学和技术问题，联合北京地区高校和科研机构联合攻关，努力推进智能信息检索与挖掘的研究，并逐渐形成该领域的‘北京学派’。”

中国人民大学常务副校长王利明致辞。（中国网发 主办方供图）

在此次活动的致辞环节，中国人民大学常务副校长王利明表示：“今天，北京智源人工智能研究院与高瓴人工智能学院，共同举办‘智能信息检索与挖掘’智源论坛，文继荣教授作为该重大研究方向首席科学家，是我校协同北京市委市政府，共建人工智能领域‘北京学派’的重要实践。未来，中国人民大学愿意继续积极参与、共同促进‘北京学派’的发展壮大！”

据悉，“ 智源学者计划 ” 是智源研究院打造高层次基础研究人才队伍的引领性工程，旨在面向当前和未来人工智能创新发展，选拔并培养一批德才兼备、具有国际影响力的学科领军人才和具有发展潜力的青年学术英才，构建富有创新能力、梯队合理的人工智能基础研究创新团队，建立面向未来人工智能发展的高端人才储备，引领未来人工智能基础研究方向，推动北京人工智能产业创新发展。

中科院计算所研究员郭嘉丰从认知视角来理解相关性，并介绍了进行建模的一些探索和研究成果。中国网记者 马旷/摄

中科院计算所研究员沈华伟就图表示学习近年来的主要进展，包括无监督的网络嵌入和有监督的图神经网络等进行了介绍，并分享了其近期在网络表示学习和图卷积神经网络方面的一些研究工作。中国网记者 马旷/摄

中国人民大学教授徐君重点介绍了强化排序学习在搜索中的研究进展，包括用户与搜索系统的交互模式分析，实验结果表明强化排序学习能够通过多轮交互获得更优的网页排序策略。 中国网记者 马旷/摄

清华大学长聘副教授贾珈系统介绍了其在网络海量数据的情感计算与交互方面开展的研究工作，重点介绍了情感维度属性与情感认知表征的关联方法、融合深度学习与因子图的海量跨模态异构数据的情感预测模型，以及面向心理健康的情感计算方法等。 中国网记者 马旷/摄

北京大学教授邹磊现场介绍面向知识图谱的问答系统。 中国网记者 马旷/摄

清华大学教授王建勇介绍尝试建立一个基于分层概念规则集的可解释性学习框架。 中国网记者 马旷/摄

崔斌教授介绍了其在分布式机器学习系统设计优化的一些工作，包括面向高维海量数据的并行策略、面向异构环境的同步协议、基于数据草图的梯度压缩方法。（中国网发 主办方供图）

中科院自动化所副研究员刘康结合研究组近些年的工作，主要介绍基于端到端的知识获取与知识问答的最新方法。（中国网发 主办方供图）

清华大学教授唐杰简单回顾图卷积网络（GCN）并探讨如何提高GCN在图数据上的表示学习能力。他表示，几个巧妙、简单的方法可以有效提高GCN的表示能力，该方法可以等价表示为图注意力网络（GAT）。该方法的有效性在包括阿里巴巴等多个超大规模数据集上得到验证。（中国网发 主办方供图）