報告題目1：面向千萬以上數據量級的并行軌跡相似性連接

報告時間：2020年12月2日（周三）下午14:30

報告地點：計算機學院B403會議室

報告人：商爍

報告人單位：電子科技大學

報告人簡介： 

商爍，電子科技大學教授、博士生導師，國家青年特聘專家、四川省特聘專家、北京市科技新星、北京市優秀人才。曾任阿聯酋人工智能研究院資深科學家、數據挖掘研究主任。中國計算機學會數據庫專委會委員，中國地理信息產業協會理論與方法委員會委員，教育部-中移動聯合實驗室評審專家組成員。本科畢業于北京大學，博士畢業于澳大利亞昆士蘭大學。研究方向包括大數據、人工智能、智能時空計算、智能輿情分析、社會計算等。在相關領域發表論文80余篇，含 CCF A 類論文40余篇，ESI高被引/熱點論文2篇，所發表SCI論文影響因子之和大于100，SCI引用1000余次，谷歌學術引用2000余次，單篇最高引用300余次。獲WISE 2017唯一最佳論文獎。擔任7個國際SCI期刊主管客座編委，長期擔任CCF A類會議SIGMOD、VLDB、ICDE、KDD、AAAI、IJCAI程序委員會委員，長期擔任CCF A類期刊ACM TODS，ACM TOIS，VLDB Journal, IEEE TKDE的特邀評審專家。主持國家自然科學基金重點項目1項（智能輿情分析）、重點項目課題2項（大圖數據管理、內存系統結構）。

報告摘要： 

The matching of similar pairs of objects, called similarity join, is fundamental functionality in data management. We consider the case of trajectory similarity join (TS-Join), where the objects are trajectories of vehicles moving in road networks. Thus, given two sets of trajectories and a threshold θ, the TS-Join returns all pairs of trajectories from the two sets with similarity above θ. This join targets applications such as trajectory near-duplicate detection, data cleaning, ridesharing recommendation, and traffic congestion prediction.

With these applications in mind, we provide a purposeful definition of similarity. To enable efficient TS-Join processing on large sets of trajectories, we develop search space pruning techniques and take into account the parallel processing capabilities of modern processors. Specifically, we present a two-phase divide- and-conquer algorithm. For each trajectory, the algorithm first finds similar trajectories. Then it merges the results to achieve a final result. The algorithm exploits an upper bound on the spatiotemporal similarity and a heuristic scheduling strategy for search space pruning. The algorithm’s per-trajectory searches are independent of each other and can be performed in parallel, and the merging has constant cost. An empirical study with real data offers insight in the performance of the algorithm and demonstrates that is capable of outperforming a well-designed baseline algorithm by an order of magnitude.

報告題目2：時空大數據流的實時查詢與分析

報告時間：2020年12月2日（周三）下午15:30

報告地點：計算機學院B403會議室

報告人：陳力思

報告人單位：電子科技大學

報告人簡介： 

陳力思，電子科技大學教授、博導，國家青年特聘專家。本科畢業于哈爾濱工業大學，博士畢業于新加坡南洋理工大學。曾任香港浸會大學Assistant Professor，澳大利亞伍倫貢大學Lecturer，阿聯酋人工智能研究院Senior Scientist。研究方向包括大數據管理與分析、城市及社會計算。發表CCF A類論文30余篇，Google Scholar引用1500余次。

報告摘要： 

隨著社交網絡應用的飛速發展和可穿戴智能移動設備的普及，時空數據的體量在近年快速增長。其中,時空文本數據和時空軌跡數據是時空數據中最普遍、應用最廣泛的兩種數據類型。如何有效的存儲、索引、分析這兩類數據是數據分析和數據挖掘領域的重要問題，其結果可應用于行程規劃、交通流量預測、區域輿論分析、突發事件監測等方面，進而優化交通資源配置、加深用戶對時空數據的語義理解。該報告首先介紹時空文本數據和時空軌跡數據的定義和研究現狀，隨后介紹基于發布-訂閱模型的時空文本大數據流的實時分析算法、時空軌跡大數據搜索與拼接算法、基于時空軌跡數據的路徑規劃。

報告題目3：基于逐對偏好比較的眾包top-k查詢處理

報告時間：2020年12月2日（周三）下午16:30

報告地點：計算機學院B403會議室

報告人：王皓

報告人單位：南京信息工程大學

報告人簡介： 

王皓，南京信息工程大學教授。本科碩士畢業于南京大學，博士畢業于香港大學。曾任阿聯酋人工智能研究院Scientist和人工智能授課團講師。研究方向包括大數據、強化學習、社會計算等。發表論文40余篇，含CCF A類論文10余篇，Google Scholar引用500余次。

報告摘要： 

眾包作為一種新型計算模式，能夠有效利用人類智能來處理對機器而言富于挑戰的計算任務，其基本思想是將復雜問題分解為一系列簡單的“任務”，由具備一定常識或技能的人群來加以解決，花費一定的經濟代價。報告著重討論基于逐對比較的眾包top-k查詢處理，以求在確保兩兩比較結果具備較高置信度的前提下最小化經濟代價。報告將介紹眾包top-k查詢處理的研究現狀，并介紹一種新穎的查詢處理框架SPR及其擴展版本SPR+，在不同的應用場景中對眾包top-k查詢進行有效處理。報告將展現SPR和SPR+在多個實驗數據集上的性能。

邀請人：彭智勇 教授、 杜博 教授