本周即将召开!一文详解全国社会媒体处理大会

2017-09-12 18:46 浏览次数:

原标题:本周即将召开!一文详解全国社会媒体处理大会 | SMP 2017

雷锋网AI科技评论按:全国社会媒体处理大会(SMP)由中国中文信息学会社会媒体处理专委会主办,专注于以社会媒体处理为主题的科学研究与工程开发,为传播社会媒体处理最新的学术研究与技术成果提供广泛的交流平台,旨在构建社会媒体处理领域的产学研生态圈,成为中国乃至世界社会媒体处理的风向标,会议将以社交网络的形式改变传统的学术会议交流体验。

据雷锋网了解,第六届全国社会媒体处理大会(SMP 2017)由中国科学院计算技术研究所承办,将于2017年9月14—17日(也即这周四到下周一)在北京友谊宾馆召开。四天的会议都有哪些内容呢?本篇文章将对SMP大会做一个完整的梳理,以方便准备参加会议的老师、同学准确地找到自己感兴趣的内容,而不至错过。

简单来说,这次大会包含四个部分:4场讲习班、8场特邀报告、8场专题论坛、2场技术评测颁奖典礼及4场论文报告会。

讲习班

为进一步推进计算科学和社会科学的交叉融合,迸发出更多更好的思想火花以及促进研究成果的落地,SMP专委会从2017年开始推出全国社会媒体处理讲习班(SMP Tutorials),旨在选择计算科学和社会科学交叉融合的重点领域和关键技术进行系统深入的讲解。讲习班的讲者包括领域大咖和一线青年骨干,讲习班本着梳理脉络、引领方向、探索未来的思路组织,以冀为社会科学和计算科学的交叉融合提供新动力和新思潮。

讲习班将于9月14日上午开始,到9月15日下午结束,共四场。

第一天为社会科学专场,邀请了社会科学领域著名学者中山大学梁玉成讲授、北京师范大学的张伦博士和南京大学王成军博士,介绍计算社会学和计算传播学的研究进展。

讲习班的第二天为计算科学专场,邀请了社会媒体计算和数据挖掘领域的青年才俊微软亚洲研究院的唐建博士和清华大学的崔鹏博士,介绍网络表示学习方面的最新研究进展。

本周即将召开!一文详解全国社会媒体处理大会

专题(一):计算社会学的理论与方法

讲者:中山大学 国家治理研究院副院长 梁玉成 教授

讲习摘要:不同于传统社会科学所依赖的调查问卷,来自社交网络的电子行为踪迹呈现了微观,异质,实时,大规模,和相互关联等特征。在此基础之上,基于互联网的大数据,以及传统的问卷调查与行政大数据结合,都成为新的研究平台,帮助学者来认识从人类行为和社会原理。计算社会科学属跨学科的新领域。许多重要的工作来自计算机科学,物理学和数学。我将介绍这些跨学科的方法,主要包括传统调查数据与大数据结合的法则、跨越社会宏观与微观结构的社会计算、基于文本数据的社会理论研究等。

专题(二):计算社会科学视角下的计算传播学

讲者:南京大学新闻传播学院 王成军 副教授

北京师范大学艺术与传媒学院 张伦 副教授

讲习摘要:基因是生物学飞跃的原因,货币是经济学发展的关键。人类传播行为所隐藏的计算化“基因”是什么?计算传播学是计算社会科学的重要分支。它致力于寻找传播学可计算化的基因,以传播网络分析、传播文本挖掘、数据科学等为主要分析工具,大规模地收集并分析人类传播行为数据,挖掘人类传播行为背后的模式和法则,分析模式背后的生成机制与基本原理,可以被广泛地应用于数据新闻和计算广告等场景。注重编程训练、数学建模与计算思维。本次讲座将介绍计算传播学的概念、内涵、应用、工具,并讨论如何开展跨学科合作、计算传播学的研究策略等问题。

专题(三):Learning Representations of Large-scale Networks

讲者:HEC Montreal & MILA Jian Tang Ph.D

讲习摘要:Large-scale networks such as social networks, citation networks, the World Wide Web, and traffic networks are ubiquitous in the real world. Networks can also be constructed from text, time series, behavior logs, and many other types of data. Mining network data attracts increasing attention in academia and industry, covers a variety of applications, and influences the methodology of mining many types of data. A prerequisite to network mining is to find an effective representation of networks, which largely determines the performance of downstream data mining tasks. Traditionally, networks are usually represented as adjacency matrices, which suffer from data sparsity and high-dimensionality. Recently, there is a fast-growing interest in learning continuous and low-dimensional representations of networks. This is a challenging problem for multiple reasons: (1) networks data (nodes and edges) are sparse, discrete, and globally interactive; (2) real-world networks are very large, usually containing millions of nodes and billions of edges; and (3) real-world networks are heterogeneous. Edges can be directed, undirected or weighted, and both nodes and edges may carry different semantics.

专题(四):Network Embedding: Enabling Network Analytics and Inference in Vector Space

讲者:Tsinghua University Peng Cui Associate Professor