全国知识图谱与语义计算大会（全称 China Conference on Knowledge Graph and Semantic Computing，简称 CCKS）是由中国中文信息学会语言与知识计算专委会定期举办的全国年度学术会议。今年的 CCKS（全国知识图谱与语义计算大会）将于本周六（8 月 24 日）在浙江杭州举行，本次大会主题是“知识智能”。
提高效率、降低生产成本等是近几年知识图谱为传统行业带来巨大的变化。随着大数据技术的不断发展更新，计算机计算能力的更新迭代，数据带来的便利不断地丰富着我们的生活。信息化、智能化是未来发展的主要趋势。智能化不仅需要机器智能，还需要认知智能。本次会议讨论的一大主旨就是“智能”。
主题：Natural Language Interface to Data。摘要：大量的世界数据存储在关系数据库和知识图中。
人们必须学习编程语言（如结构化查询语言（SQL））或回复固定查询表单来查询数据，即使对于非常简单的查询也是如此。SQL 和 SPARQL 分别是访问关系数据库和知识图的最常用接口。但是，它要求用户很好地理解这些查询语言，数据模式和数据库运行环境，这可能需要很长的培训时间，对于偶尔查询数据的用户来说是不实际的。在本教程中，我将介绍该领域的研究进展并讨论未来的研究方向。演讲人：严锡峰。
简介：严锡峰是加州大学圣巴巴拉分校的副教授。2006 年至 2008 年间，他是 IBM T.J.Watson 研究中心的研究人员。他一直致力于信息网络、计算机系统、社会媒体和生物信息学中的图形建模、管理和挖掘。他获得了 NSF 职业奖、IBM 发明成就奖、ACM-SIGMOD 论文亚军奖和 IEEE ICDM 10 年最高影响论文奖。
主题：From Data to Model Programming：Injecting Structured Priors for Knowledge Extraction。摘要：深度神经模型在知识提取任务、从序列标记到关系提取和知识推理等方面都取得了最先进的性能。然而，这些需要大量数据的模型严重依赖于人工标记的训练数据，并且经常作为“黑盒”组件运行，从而减慢了下游应用程序的开发。
在本文中，我将介绍我们在将结构化先验知识引入深度神经模型以进行知识提取方面的最新进展，包括在输入数据级别和在模型体系结构级别。对于模型编程，我将介绍一个基于图神经网络的框架，用于捕获多关系结构的先验，作为涉及常识推理的自然语言推理模型架构的一部分。这些解决方案一起形成了从“数据”到“模型”编程的具有结构化优先级的路线图。演讲人：任翔。
简介：任翔于 2018 年加入南加州大学计算机科学系担任助理教授。他的研究兴趣包括数据挖掘，机器学习和自然语言处理，重点是理解海量文本数据和图形数据。他的研究成果包括几个顶级会议和主题演讲（SIGKDD，WWW，SIGMOD，ACL）。他的研究得到了多项有名奖项的认可，包括 Google 博士奖学金，雅虎-DAIS 卓越研究奖，Yelp 数据集挑战奖等。
主题：Deep Learning for Graphs：Models and Applications。摘要：图形提供了多种类型的数据的通用表示，而深度学习已经证明了表示学习的巨大能力。因此，将深度学习与图形连接在一起提供了巨大的机会，可以为各种现实问题提供通用的解决方案。然而，传统的深度学习技术对常规网格数据（如图像和序列）具有破坏性，不能立即适用于图形结构化数据。
因此，把这两个领域结合起来面临着巨大的挑战。在本教程中，我将全面介绍图形（包括模型和应用程序）深入学习的最新进展。特别的，我将介绍一些基本概念，回顾最新的算法，并说明各种重要的应用。最后，我将总结本教程，讨论开放性问题和挑战。演讲人：Jiliang Tang。简介：Jiliang Tang 是密歇根州立大学计算机科学与工程系助理教授。
在此之前，他是雅虎研究公司的一名研究科学家，并于 2015 年在亚利桑那州立大学获得博士学位。他对社会计算、数据挖掘和机器学习有着广泛的兴趣，并领导着数据科学和工程实验室。
他获得了 ASONAM 2018 年度最佳论文奖、2018 年 Criteo 学院研究奖、WSDM 2018 最佳学生论文奖、2016 年 KDD 最佳论文奖、2015 年最佳 KDD 论文奖、系主任论文奖和 WSDM 2013 最佳论文候选名单。
主题：Tutorial on Explainable Recommendation and Search。
摘要：可解释的推荐和搜索尝试开发模型或方法，不仅可以生成高质量的推荐或搜索结果，还可以直观地解释用户或系统设计人员的结果，这有助于提高系统透明度，说服力，可信赖性，公平性和效力，这在个性化搜索和推荐场景中尤为重要，用户想知道为什么特定产品，网页，新闻报道或朋友建议存在于他或她自己的搜索和推荐列表中。
本教程重点介绍可解释推荐和搜索算法的研究和应用，以及它们在搜索引擎、电子商务和社交网络等实际系统中的应用。演讲人：张永峰。简介：张永峰是新泽西州州立大学计算机科学系的助理教授。他的研究包括信息检索、推荐系统、机器学习和互联网经济学。他一直致力于可解释的推荐和搜索系统，组织并共同主持了第一次和第二次可解释推荐和搜索国际研讨会。
主题：知识指导的自然语言处理。
摘要：近年来深度学习技术席卷自然语言处理（NLP）各大领域。作为典型的数据驱动方法，深度学习面临可解释性不强等难题，如何将人类积累的大量语言知识和世界知识引入深度学习模型，是改进 NLP 深度学习模型性能的重要方向，同时也面临很多挑战。还将介绍知识指导的自然语言处理的最新进展与趋势。演讲人：林衍凯。简介：林衍凯，腾讯微信模式识别中心高级研究员。
博士毕业于清华大学，主要研究方向为知识图谱表示、构建和应用。目前已在人工智能、自然语言处理等领域的著名国际会议 IJCAI，AAAI，EMNLP，ACL 发表相关论文多篇，Google Scholar 引用数超过 1400。曾获 2017 年百度奖学金、2018 年清华大学学术新秀。
主题：阅读理解中的推理和符号机制。
摘要：自然语言理解，尤其是篇章级的理解，会远远超出局部的语言结构，会非常多地依赖大尺度结构的洞察和离散操作，同样也会大量涉及对知识的多种形式的表示和使用。我会讨论在垂直领域文本理解中将神经网络和符号智能结合的思考和实践，以及各种形式的推理在文本理解中的使用。演讲人：吕正东。简介：吕正东，计算机博士，先后任职于微软亚洲研究院、华为诺亚方舟实验室等著名研究机构。
他长期从事机器学习及人工智能的研究，在深度学习、自然语言处理和半监督学习等领域卓有建树，是深度学习领域（尤其是自然语言处理方向）具有世界顶尖水平并享有国际声誉的科学家和技术专家。他于 2013 年初创立华为诺亚方舟实验室的深度学习团队。2013 年，提出基于检索的自动对话技术，现已成为主流聊天机器人（如微软小冰）的基础技术框架。
他是国际上将卷积神经网络（CNN）用于自然语言的先锋学者之一，并是最早将 CNN 用于语义匹配的研究者，其模型被后来的聊天机器人广泛采用。