LJCC2023 | 大规模图数据管理与分析技术
大规模图数据管理与分析技术论坛
主办单位：黑龙江省计算机学会
承办单位：HLJCF数据科学与大数据技术专委
图数据是一类重要的大数据，经常用于表示实体之间复杂的联系。大量不同个体间彼此交互产生的数据以图的形式表现，抽象出来的图数据构成了研究和商用的基础。本论坛旨在讨论大规模图数据的表示、管理、分析的前沿技术与应用。
第一个报告题目为“大规模符号图的内聚子图挖掘:模型、算法与应用”，内聚子图挖掘揭示了图的内在联系，是图分析中的重要任务。然而，符号网络的大规模和动态性为符号网络上的内聚子图的高效和可扩展计算带来了重大挑战。本次演讲将重点讨论大规模动态符号网络中具有代表性的基于平衡和内聚的子图模型，并讨论其算法和应用。
第二个报告题目为“多层图社区发现与社区搜索”，由于数据来源的多样性和异构性，实体之间具有多种类型的联系。为此，学术界提出了多层图数据模型，这也是很多特殊图数据模型的通用表示形式。该报告将介绍多层图的数据模型、处理模型、多层图上的社团发现与社团搜索方面的一些最新研究进展。
最后一个报告题目为“基于机器学习的知识图谱自动存取方法”，考虑到现有图数据管理方法难以满足知识图谱体量大、模式复杂、更新频繁的特点对知识图谱存取提出的新要求，本报告将讨论前沿的机器学习技术在知识图谱存取处理中的应用，即知识图谱存储结构性能自动预测、知识图谱存储结构自动调优和知识图谱索引自动选择等。
论坛主席：
丁小欧，哈工大计算学部助理教授、硕士生导师。中国计算机学会数据库专委执行委员，研究方向为大数据质量管理、数据清洗等。在TKDE、VLDB、CIKM、DASFAA等数据科学领域国际知名期刊和会议上发表论文10余篇、国内高水平期刊发表论文5篇。主持国家自然科学基金青年项目、中国计算机学会-华为胡杨林基金数据库专项项目、中国博士后面上项目、黑龙江省博士后面上项目等，并作为骨干参与国家重点研发计划、国自然重点项目等。获2020年第五届中国科协优秀科技论文奖、《软件学报》2021年高影响力论文等。
论坛主席：
王楠，黑龙江大学计算机科学技术学院、软件学院副教授，硕士生导师，在站博士后，博士。中国计算机学会高级会员。研究方向为数据挖掘、人工智能、推荐系统等。主持省自然基金及教育厅以上项目3项；参与国自然项目、省基金以上项目7项。近5年，以第一作者、通讯作者发表国内一级学报、重点高校学报、国际国内重要学术会议论文20余篇。拥有3项国家发明专利，3项独立实用新型专利；指导学生获黑龙江省ACM大赛二等奖；“互联网+”大学生创新创业大赛国家级铜奖；省教育厅银奖多项。
论坛讲者：
Wei Li is currently an Associate Professor at the College of Computer Science and Technology, Harbin Engineering University. He got a Ph.D. degree from the School of Computer Science and Engineering, the University of New South Wales, in 2019. He is also the Deputy Director of Heilongjiang New Generation Network Technology and Information Assurance Laboratory and a National Overseas Youth Program entrant. His research interests lie in developing efficient and scalable techniques for graph analytics. He has published over 20 research papers in leading international journals and conferences. His research has been supported by Cooperative Research Centres funded projects, National Natural Science Foundation of China and several industry projects. He serves as an Associate Editor of the Journal of Information Hiding and Multimedia Signal Processing (JIHMSP) and Guest Editor for Applied Sciences. He also serves as the organization committee member or PC member for several conferences and workshops.
报告题目：
Cohesive Subgraph Mining over Massive Signed Graphs: Models, Algorithms, and Applications
报告摘要：
With the rapid development of information technologies, such as social media, knowledge networks, and mobile communications, huge volumes of graph data are prevalent in academic and industrial applications. Among the various graph data, signed graphs enhance the representation capability of traditional graphs, by capturing the polarity of relationships between entities/vertices through positive and negative edge signs. Cohesive subgraph mining reveals the underlying connections and is an important task in graph analysis. However, the large scale and dynamic nature pose significant challenges for efficient and scalable computation of cohesive subgraphs on signed networks. This talk will focus on representative balance-based and cohesion-based subgraph models over large-scale dynamic signed networks, and discuss the algorithms and applications.
论坛讲者：
邹兆年，男，1979年6月生于吉林省长春市，汉族，工学博士。2002年在吉林大学获得计算机软件专业理学学士学位，2005年在吉林大学获得计算机应用技术专业工学硕士学位，2010年在哈尔滨工业大学获得计算机软件与理论专业工学博士学位。现任哈尔滨工业大学计算学部教授、博士生导师。研究领域为数据库系统与数据科学。作为负责人承担国家自然科学基金面上项目3项。出版学术著作1部，在VLDB Journal、IEEE Transactions on Knowledge and Data Engineering、Information Sciences、Knowledge and Information Systems、World Wide Web、KDD、VLDB、ICDE、CIKM、ICDM、EDBT、DASFAA等计算机领域权威国际期刊和会议上发表学术论文60余篇。获得2019年高等学校科学研究成果奖（科学技术）自然科学二等奖（排名第一）、2013年全国优秀博士学位论文提名、2012年中国计算机学会优秀博士学位论文奖、2011年黑龙江省高校自然科学一等奖（排名第五）。
报告题目：
多层图社区发现与社区搜索
报告摘要：
图数据是一类重要的大数据，经常用于表示实体之间复杂的联系。由于数据来源的多样性和异构性，实体之间具有多种类型的联系。为了表示实体之间的多源异构联系，学术界提出了多层图数据模型，多层图数据模型是很多特殊图数据模型（如不确定图、时态图等）的通用表示形式。该报告介绍多层图的数据模型、处理模型、多层图上的社团发现与社团搜索方面的一些最新研究进展。
论坛讲者：
齐志鑫，哈尔滨工业大学交通科学与工程学院助理教授，硕士生导师。2022年6月于哈尔滨工业大学计算学部计算机科学与技术专业获博士学位。世界交通运输大会交叉学部数据与信息学科技术委员会委员，中国计算机学会数据库专委会通讯委员，黑龙江省计算机学会大数据专委会委员。主要从事路网计算、知识图谱管理、路域数据分析与挖掘研究，承担交通部重点清单项目1项，国家重点研发计划子课题1项，在国际权威期刊或会议上发表论文10余篇。
报告题目：
基于机器学习的知识图谱自动存取方法
报告摘要：
随着知识抽取技术的不断发展，许多领域构建和发布了知识图谱。而现有图数据管理方法难以满足知识图谱体量大、模式复杂、更新频繁的特点对知识图谱存取提出的新要求。由于机器学习技术适合描述复杂模式和求解复杂优化问题，本报告将讨论如何将其应用于知识图谱的存取过程中，即知识图谱存储结构性能自动预测、知识图谱存储结构自动调优和知识图谱索引自动选择，从而提高知识图谱存取结构选择效率，提供知识图谱存取结构设计的自动化解决方案。
