报告题目：大模型前沿科研应用

报告人：缪浩、张子健、刘启东、刘朗鸣、张春旭、郑值、王茂林

报告时间：2025年10月25日（周六）上午8：30-14：00

报告地址：计算机大楼A105

报告主题一：基于大语言模型的跨模态时间序列分析

报告人：缪浩

时间：8：30-9：00

报告摘要：

边缘设备的激增在不同领域产生了前所未有的时间序列数据量，催生了各种定制化方法。近年来，大型语言模型 (LLM) 利用文本数据和时间序列共享的序列特性，成为时间序列分析的新范式。然而，时间序列和 LLM 之间存在着根本性的跨模态差距，因为 LLM 是在文本语料库上进行预训练的，并非天生就针对时间序列进行优化。许多近期提案旨在解决这个问题。在本综述中，我们提供了基于 LLM 的时间序列分析跨模态建模的最新概述。我们首先介绍一种分类法，该分类法根据用于时间序列建模的文本数据类型将现有方法分为四类。然后，我们总结了关键的跨模态策略，例如对齐和融合，并讨论了它们在一系列下游任务中的应用。此外，我们将在不同应用领域的多模态数据集上进行实验，以探索文本数据和跨模态策略的有效组合，从而增强时间序列分析。此外，我们将举例说明基于LLM的跨模态时间序列分析的最新进展。最后，我们提出了几个有前景的未来研究方向。

报告人简介：

缪浩，香港理工大学研究助理教授，2024年12月于丹麦奥尔堡大学获得博士学位，导师为Christian S. Jensen教授。研究方向为时空数据挖掘，时间序列分析，轨迹管理与大语言模型。发表国际期刊和学术会议论文共40余篇，其中包含26篇CCF-A类类论文，如PVLDB，NeurIPS，SIGKDD，与TKDE等，相关成果部分填补了时间序列数据分析在流式场景与分布式场景下的应用空白。常年担任多个CCF-A类会议的A领域主席与程序委员会成员，被邀请至多个全世界知名实验室访问并作口头报告，如麻省理工大学MIT Senseable City Lab与柏林工业大学TU Berlin DIMA/BIFOLD Lab等。

报告主题二： 时空数据挖掘的通用模式建模方法研究

报告人： 张子健

报告时间：9：00-9：30

报告摘要：

时空预测在交通、天气、人口迁移等领域应用广泛，对城市规划和灾害响应等关键决策具有重大意义。然而，现有研究面临着核心瓶颈：时空数据的固有复杂性、模式的多样性，以及现有模型在处理通用规律时的灵活性和泛化性不足。本报告旨在系统性地解决这些挑战。我们将首先确立通用时空模式建模的三个层次：多区域、多任务和多领域，并以此为基础介绍本报告在每个层次的创新工作。具体而言，本文提出了跨层次图卷积模型来挖掘多区域通用模式；设计了首个自适应时空多任务学习框架来增强多任务通用模式的拟合；并构建了基于 Transformer 和预训练-提示微调范式的模型，以高效学习和迁移多领域通用知识。此外，为解决现有模型复杂度高的问题，我们还提出了一种具有线性时间复杂度的时空预测架构。本报告通过系统性的通用模式建模方法，不仅显著提高了数据利用效率和预测准确性，也为时空数据挖掘的普适化应用奠定了坚实的基础。

报告人简介：

张子健博士现任吉林大学计算机科学与技术学院助理教授/副研究员，博士生导师，香港中文大学荣誉访问学者。博士毕业于吉林大学和香港城市大学。他的研究方向包括推荐系统，大语言模型，时间序列分析，近三年在国际顶级会议/期刊（CCF-A/B）上发表学术论文30余篇，其中以第一作者/通讯作者发表论文9篇，谷歌学术总被引600余次，H-index为14。他作为主要讲者在WWW 2025，KDD 2025，以及SSTD 2025上举办关于大语言模型推荐系统和人类移动性分析的讲习班，受到领域学者的广泛关注。他长期担任顶级会议执委会成员和知名期刊审稿人。他曾担任AAAI 2023和CIKM 2023分论坛主席，并多次在国际会议做口头报告。主持博士后面上项目与全国重点实验室开放基金等多项课题。

报告主题三： 大语言模型增强的推荐系统：方法与进展

报 告人： 刘启东

报告时间：9：30-10：00

报告摘要：

随着大语言模型在推理与理解能力上展现出的卓越性能，其已为推荐系统领域带来了革命性影响。尽管已有研究探索利用LLM赋能推荐系统，但在实际应用中，LLM的高延迟与高内存成本构成了严峻挑战。为此，LLM增强的推荐系统作为一种新的范式应运而生，其核心思想是在推理阶段避免对LLM的直接调用，从而将其高效地整合至在线推荐服务中。为系统性地梳理这一领域，本报告将对该领域的前沿进展进行介绍。本报告将首先阐明LLM增强推荐系统的背景与动机，并基于LLM所作用的推荐系统核心模块，提出了一套清晰的分类框架，具体包括：（1）知识增强：利用LLM的外部知识丰富推荐内容；（2）交互增强：借助LLM提升交互质量；（3）模型增强：运用LLM优化推荐模型的核心结构与能力。最后，本报告将总结当前研究现状，并展望若干具有潜力的未来研究方向。

报告人简介：

刘启东，西安交通大学助理教授，西安交通大学青年优秀人才支持计划，隶属于智能网络与网络空间安全教育部重点实验室。博士毕业于西安交通大学（导师：田锋教授）和香港城市大学（导师：赵翔宇教授）。研究方向包括大语言模型、推荐系统、智慧医疗等。发表高水平期刊和会议论文近30篇，引用千余次。获得授权发明专利1项，以第一/共同第一作者身份发表论文12篇，其中CCF-A类7篇，高被引论文1篇。曾在国际顶级会议AAAI 2025和CIKM 2023担任议程主席。在KDD、WWW、IJCAI等会议上多次组织以推荐系统为主题的Tutorial。担任国际顶级会议ICML、ICLR、NeurIPS、KDD、SIGIR、WWW、IJCAI、AAAI、CIKM、RecSys以及国际权威期刊TPAMI、TKDE、TOIS、TKDD、TIST等审稿人。

报告主题四：基于深度学习方法的用户序列建模：从高效预测到个性化推荐

报告人：刘朗鸣

报告时间：10：00-10：30

报告摘要：

用户序列建模在各个实际应用场景（如推荐系统、教育、医疗等）得到了广泛的关注。用户序列建模旨在从用户历史交互序列中提取用户兴趣和偏好，用于下游场景的特定任务中。随着用户的数量、序列长度、特征急剧增加，传统的建模方法不足以刻画更为复杂的场景。基于深度学习（DL-based）的方法，如MLP、RNN、GNN、Transformer等，能提取序列中的非线性、隐式、高阶信息，对于复杂场景中的建模很有前景。基于深度学习的用户序列建模在实际应用中面临诸多挑战，本次报告聚焦于推荐系统中的四个前沿挑战：效率挑战，决策挑战，隐私挑战，以及个性化挑战。针对这些核心问题，我们提供了对应解决方案：（1）设计线性注意力机制，降低复杂度；（2）引入强化学习方法，优化对长期收益的决策能力；（3）引入联邦学习方法，保护用户隐私；（4）使用大模型增强对用户的兴趣感知，打破协同过滤带来的信息茧房。围绕这些前沿挑战和解决方案，将提供一些对于现代推荐系统的见解和业界的期望。

报告人简介：

刘朗鸣，香港城市大学数据科学博士。本科毕业于北京航空航天大学应用数学专业。现就职于淘天集团未来生活实验室，从事算法研发工作，专注大模型训练及推荐/广告相关应用。研究兴趣包括推荐系统（序列与高效推荐）、大语言模型（数据合成、评测与电商应用增强）、联邦学习（优化与收敛理论）与强化学习。相关成果被SIGIR、KDD、CIKM、EMNLP等顶级会议接收，并曾受邀担任NeurIPS、KDD、WWW及TKDE、TKDD等顶级会议与期刊审稿人。曾获多项科研奖学金与优秀学术表现奖。

报告主题五：个性化联邦推荐系统研究

报告人：张春旭

时间：10：30-11：00

报告摘要：

推荐系统通过挖掘用户的历史行为和兴趣偏好，从海量信息中筛选出符合个人需求的内容，已成为应对信息过载和实现智能化服务的重要技术。然而，传统推荐系统通常依赖集中式的数据收集和训练方式，引发了对数据安全与隐私保护的担忧，同时限制了模型在多样化用户群体中的个性化表达。联邦学习框架为该问题提供了新的解决思路。它通过在各客户端本地执行模型训练，仅共享模型参数而非原始数据，有效保护了用户隐私。与此同时，联邦学习以用户为独立建模单元，为个性化建模带来了新的契机，使推荐系统能够更好地捕捉个体差异与兴趣变化，从而提供更加精准和具有适应性的推荐服务。本报告将围绕个性化联邦推荐系统展开，介绍该方向的研究背景与基本框架，重点探讨如何在分布式环境中实现隐私保护与个性化建模的有机融合。

报告人简介：

张春旭博士现任香港理工大学人工智能高等研究院博士后，博士毕业于吉林大学。她的研究方向包括联邦学习，推荐系统，大小模型协同，近三年在国际顶级会议/期刊（CCF-A/B）上发表学术论文20余篇，其中以第一作者/通讯作者发表论文12篇，谷歌学术总被引400余次。她长期担任顶级会议执委会成员和知名期刊审稿人，曾担任WWW 2025分论坛主席，并多次在国际会议做口头报告。

报告主题六：大模型驱动的多智能体系统及其应用

报告人：郑值

报告时间：13：00-13：30

报告摘要：

近年来，大模型（Large Language Models, LLMs）的快速发展为多智能体系统（Multi-Agent Systems, MAS）的智能协作与自主决策带来了全新范式。传统的多智能体系统主要依赖规则驱动或强化学习机制，难以应对复杂环境下的动态变化与语义交互需求。而大模型具备强大的知识表达、语言理解与生成能力，使其在感知、推理、规划与协同等方面为多智能体赋能，推动系统从“算法协作”向“认知协作”升级。本报告围绕“大模型驱动的多智能体系统及其应用”展开，系统梳理大模型与多智能体融合的研究背景，介绍其在架构、通信协议、任务分解与角色分工上的核心思想，以及它们在自治决策与群体智能中的作用机制，并介绍研究组在推荐系统、自动机器学习等领域应用大模型多智能体系统的探索。

报告人简介：

郑值，中国科学技术大学计算机学院博士后研究员，合作导师为陈恩红教授。博士毕业于中国科学技术大学人工智能与数据科学学院，师从熊辉教授和徐童教授。本科毕业于中国科学技术大学计算机学院英才班。在国内外重要学术期刊和会议上发表论文30余篇，其中第一/通讯作者论文20余篇。曾获得2025年度博士后创新人才支持计划、COLING 2025 Outstanding Paper Award、2021年度腾讯犀牛鸟精英人才计划奖学金等奖项，主持国家自然科学基金青年基金（C类）、校青年创新基金等项目。现任安徽省人工智能学会大模型专委会秘书长，曾担任中国中文信息学会青年工作委员会学生执委会副主任。

报告主题七：基于张量准则的神经网络

报告人： 王茂林

报告时间：13：30-14：00

报告摘要：

本次报告提出了一种借助张量数学视角思考神经网络设计的新方法。不同于通过反复试错或遵循传统模式构建网络，我们探索了张量结构如何为更高效的架构设计提供指导。张量作为矩阵的多维推广形式，能够自然地捕捉现实世界数据中的复杂关系 —— 无论是图像、视频，还是图结构与语言数据。通过识别这些张量模式，并构建符合该模式的网络，我们可以开发出兼具更高效率与更强性能的模型。报告将展示这种基于张量的思维方式如何在信号恢复、隐私保护学习、高效模型适配等领域催生出突破性解决方案。

报告人简介：

在电子科技大学获得计算机科学与技术硕士学位。自2021年起，他在香港城市大学攻读数据科学博士学位。他的研究兴趣涵盖机器学习、张量网络、模型压缩，大语言模型和特征融合等领域。他在AAAI、WWW、ICDM、RecSys、SDM、IJCNN、ICONIP等CCF知名会议上发表了多篇文章，并担任TNNLS、IEEE Transactions on Big Data、Neurocomputing、Neural Networks、NeurIPS、CIKM等知名期刊和会议的审稿人。同时，他还受曾邀担任CCF A类会议WWW 2024的智能推荐系统的Session主席，并获得KDD 2025年Best Paper Award Runner-up。