Simon Fraser大学Matin Ester教授、德州大学阿灵顿分校丁宏强教授访问ダファベット 入金不要

7月29日，Simon Fraser大学的Matin Ester教授、德州大学阿灵顿分校丁宏强教授到ダファベット 入金不要数据库与智能信息检索实验室访问，并为我院师生分别做了“探查社会媒体潜在价值的数据挖掘方法（Data Mining Methods For Exploiting the Full Potential of Social Media）”和“社会标签预测的张量模型（Tensor Models for Social Tagging Prediction）”的学术报告。

Ester教授的报告主要介绍了他们提出的一个社会评价网络的概率生成模型。与现有的把社会评价网整个演变看成是静态演化来考虑效果参数的工作不同，该模型中的每个效果强度是动态变化的。该模型可以对用户行为提供一种动态有意义的观察，并能创建反映现实世界网络关键特性的综合数据集。Ester教授还介绍了他们提出的一种基于模型的推荐方法，该方法将社会网络和信任传播的全过程合并为矩阵分解结构。在各种在线社交网络数据集上的实验表明，与目前的一些先进方法相比，该方法有明显的性能提高。特别是，他们提出了Interdependent Latent Dirichlet Allocation（ILDA）模型，这是一种考虑特征（aspect）和评价（rating）之间相互依赖性的概率图模型，实际数据集上的实验表明ILDA模型非常有效。

丁宏强教授的报告讨论了基于在一个系统中的用户标签模式和他们的社会网络，如何有效地做标预测签。他们提出对三维（用户、项、标签）传统推荐系统的一种概扩，可通过张量构建最佳模型的方法。在报告中，丁教授说明了社会标签的三分图模型，介绍一种用低阶多项式展开模拟三分图模型、非常适宜处理高稀疏性数据集的新型张量分解模型。在多个数据集上的扩展实验以及与二个传统的张量分解方法的比较表明，他们所提出的新的张量分解模型方法具有更低的计算成本，明显优于传统的模型方法。

Martin Ester教授是国际知名学者，他现在是Simon Fraser大学计算机系的教授委员会主任，同时领导着Simon Fraser大学数据库和数据挖掘实验室。他在国际顶级会议和期刊上发表了大量论文，其著名的DBSCAN论文有超过2900次的引用。他目前的研究兴趣是社会网络分析、推荐系统、意见挖掘、生物网络分析等。Ester教授还与很多实验室、工业界和政府部门有广泛的研究合作。

来自美国德州大学阿灵顿分校的丁宏强教授曾长期工作于美国加州理工学院、美国喷气动力实验室及美国劳伦斯—伯克利国家实验室，并于2007年加入德州大学阿灵顿分校任终身正教授。研究兴趣主要包括数据挖掘、机器学习、信息检索等领域，开创了用PCA和矩阵方法解决这些问题的新领域。曾在多个顶级国际会议担任程序委员，并多次担任美国、爱尔兰、香港、以色列等多个国家科学基金会科研项目评审人，发表180余篇研究论文，被引用6180次，在美国获得5百万美元科研基金。

两位教授的报告结束后，来自澳大利亚CSIRO的Paul THOMAS 博士还做了Analysis and Search to Improve Online Government Services的学术报告。

虽然报告会前下了瓢泼大雨，但还是吸引了杜小勇教授、左美云教授等一些教师和同学来听报告，并在报告会上，与来访教授做了交流，报告会自9点开始一直持续到12点多结束。

报告会后，杜小勇教授还向来访教授介绍了ダファベット 入金不要和重点实验室的一些情况，Ester教授和丁宏强教授均表示希望今后能与我们加强联系与合作，共同从事一些研究工作。