CCF高级会员，CCF YOCSEF青岛副主席，青岛科技大学副教授，人工智能专业副主任。主要研究领域集中在数据挖掘、推荐系统和机器学习，主持山东省青年基金项目、山东省青创团队项目和国家青年基金项目共3项，在ACM IJCAI，SIGIR，MM，TOMM等国际会议和期刊上发表论文近20篇；已获得国家发明专利6件；担任TCSVT、TNNLS、JVCIR、Neurocomputing、IPM、China MM等国内外重要学术期刊和会议的审稿人。现担任山东省人工智能学会理事。

CCF高级会员，CCF YOCSEF青岛25-26副主席，CCF智慧交通分会和CCF理论计算机科学专委会执行委员，中国海洋大学副教授/博导，入选国家级海外引才项目、泰山学者青年专家、山东省优秀青年科学基金（海外）等青年人才项目，主要研究面向智慧交通、智慧空管、海洋科学等领域的大数据分析与应用。主持国家自然科学基金面上项目等5项，累计发表论文70余篇，担任山东省人工智能学会常务理事等。

中国人民大学高瓴人工智能学院准聘副教授，博士生导师。博士毕业于清华大学，曾在美国佐治亚理工学院交换学习，在英国伦敦大学学院从事博士后研究，主要研究方向为大语言模型，推荐系统和因果推断等。在著名国际会议/期刊TheWebConf、SIGIR、KDD、ICML、NeurIPS、ICLR、AIJ等上发表论文80余篇，谷歌引用7000余次。论文荣获多项国际会议的最佳论文奖或提名，也曾荣获CCF自然科学二等奖、ACM-北京新星奖和CAAI社会计算青年学者新星奖等荣誉。是学术期刊ACM Transactions on Recommender Systems(TORS)的编委，主持/参与二十余项国家级和企业合作项目。

报告题目：基于生成模型的人类行为模拟

报告摘要：近年来，Human-centered AI受到了学术界和产业界的广泛关注，该领域的应用如推荐系统，社交网络等给人们的生活生产带来了极大地便利。然而，一直以来，制约该领域发展的关键问题之一是如何获取高质量的用户行为数据。在本次报告中，汇报者将从LLM-based Agent的角度分享缓解该问题的思路，并介绍其团队研发的基于大语言模型的人类行为模拟智能体。最后，汇报者将介绍生成模型对未来Human-centered AI领域的潜在影响。

陈科海，哈尔滨工业大学（深圳）信息学部计算机学院教授，博士生导师，国家级青年人才。获2020年中国中文信息学会优博奖和2024年“钱伟长中文信息处理科学技术奖”科技进步一等奖，获2022年北京市科技进步二等奖。致力于大模型与自然语言处理、智能体、多模态、可信推理等跨领域研究，在ACL、EMNLP、AAAI、TASLP等国际会议和期刊发表论文60余篇。曾担任自然语言处理国际会议ACL、EMNLP、NAACL等领域主席、人工智能国际会议AAAI、IJCAI资深程序委员和IJCNLP-AACL-2023研讨会主席。

演讲题目：大模型的知识增强与可信推理

摘要：本报告聚焦大模型深度推理的知识增强与可信推理。前者通过知识注入、知识约束、知识缓存等机制，将外部知识引入到大模型的推理过程，提升深度推理能力；后者借助自我反思、模型安全、安全效用平衡、数据合成等，保障推理结果可信性。旨在分享如何推动大模型在复杂推理任务中实现性能突破，提供更高效、精准的推理能力。

山东大学计算机科学与技术学院副教授，人工智能学院院长助理。在英国格拉斯哥大学计算机学院取得博士学位，在上海交通大学软件学院取得硕士学位。研究兴趣包括：推荐算法，强化学习，机器学习，自然语言处理，信息检索等。已在国际顶级学术会议和期刊发表50余篇高水平学术论文，包括但不限于SIGIR，WSDM，CIKM，IJCAI，ACL等，也担任多个顶级国际学术会议的高级程序委员会委员，获得WSDM2024最佳论文提名奖，RecSys2024最佳论文奖，他主持了国家自然科学基金项目和多项企业联合研究课题，例如腾讯犀牛鸟项目等。

演讲题目：内容与协同信息增强的生成式推荐

摘要：生成模型已成为增强推荐系统的一种有前景的实用工具。为了获得更好的推荐效果，在统一的生成框架中对商品内容、用户与商品的协作交互进行建模至关重要。尽管一些现有的基于大型语言模型 (LLM) 的方法有助于融合内容信息和协作信号，但它们本质上依赖于文本语言生成，这与推荐任务并不完全契合。如何在一个专为商品推荐设计的生成框架中整合内容知识和协作交互信号仍然是一个开放的研究挑战。本演讲将介绍基于内容的推荐系统协作生成方法，将内容信息和协作过滤信号结合起来进行生成推荐。

现任香港大学计算机科学系与数据科学研究所助理教授，并担任博士生导师。研究兴趣涵盖人工智能的多个方向，包括大语言模型(LLM)、智能体、图学习、推荐系统和智慧城市等领域。在这些方向上，他的工作多次获得认可，并在KDD(2019/2022/2023/2024)、WWW(2023/2024)和SIGIR(2021/2022/2023/2024)等顶级国际会议上发表论文，其中一些被评为高影响力论文。此外，他的研究成果还曾在ACM MM 2024、WWW 2023、WSDM 2022和WWW 2019等会议上获得最佳论文奖或提名。黄博士的研究工作得到了同行的关注，其学术成果累计被引用超过9,600次。他所在的实验室专注于人工智能技术的研究与开发，并推出了多个开源项目，如LightRAG、AutoAgent、AI-Researcher、MiniRAG、GraphGPT和VideoRAG等。这些项目在开源平台上受到了广泛关注，累计获得超过32,000星标。近年来，黄博士也获得了，例如2024年世界人工智能大会（WAIC）颁发的「璀璨明星」和「2024年理论计算机科学与信息科学前沿科学奖」。他还入选了「2025 AI100青年先锋」名单。

演讲题目：大模型智能体的潜能与挑战

摘要: 近年来，大型语言模型(LLMs)的出现为人工智能领域带来了革命性的变化，使机器具备了前所未有的能力来理解和生成类人文本。然而，LLMs的应用潜力远超文本生成——当它们与智能体结合时，能够有效弥合理解与行动之间的关键差距。本次报告将聚焦于LLMs与自主智能体的协同作用及其带来的深远影响。黄超教授将分享相关前沿研究，重点介绍由LLM智能体驱动的最新进展。这些技术突破不仅使系统能够理解和执行自然语言指令，还能在动态环境中完成多样化的复杂任务，例如编程、网络搜索、信息分析、高级人机交互，以及推动科学发现的关键环节。

浙江大学计算机科学与技术学院特聘研究员，博士生导师，主要研究方向为可信人工智能（含隐私保护、安全攻防、公平鲁棒、可控遗忘）和推荐系统等。任IEEE高级会员、CCF高级会员、CCF服务计算专委和协同计算专委执行委员，于2016年获得浙江大学博士学位，并于读博期间在UIUC担任访问学者。主持国家重点研发课题、浙江省优青、CCF-蚂蚁基金等十余个课题，曾作为主要骨干获得了2020 年度“CCF科学技术奖”-科技进步奖卓越奖、2021年度中国人工智能学会“优秀科技成果奖”、2023年度“CCF科技成果奖”-科技进步奖二等奖、以及2023年度中国人工智能学会吴文俊科技进步奖一等奖。曾在Cell子刊，ICML，NeurIPS，KDD，TKDE，TDSC等国际会议和期刊发表论文100余篇，获得国内外发明专利授权200余项。近年来担任多个国际顶级会议的领域主席、高级程序委员会委员或程序委员会委员，担任多个国际顶级期刊审稿人。入选2024年度斯坦福全球Top 2%科学家榜单。

演讲题目：下?代多模态生成式推荐范式探讨

摘要: 推荐系统正在经历从判别式到生成式的重要转型，旨在更好地理解和满足用户多样化的兴趣需求。然而，现有生成式推荐方法在处理复杂异构多模态信息时仍面临局限，包括跨模态语义对齐困难、生成模型效率低下、冷启动等问题。本报告将回顾生成式推荐的演进路径，总结主流技术路线与当前面临的关键问题，并探讨下一代多模态生成式推荐的新范式。