Image About Me
郭贵冰,博士,教授,东北大学软件学院引进人才
  • 邮  箱:guogb@swc.neu.edu.cn
  • 电  话:+86-024-83683332
  • 主  页:https://guoguibing.github.io
  • 地  址:辽宁省沈阳市浑南区创新路195号东北大学浑南校区信息楼B444室, 110169
个人简介

2015年11月,以引进人才的方式加入东北大学软件学院。师从新加坡南洋理工大学(NTU)的Assoc. Prof. Jie ZhangProf. Daniel Thalmann,2015年7月获得博士学位;2015年1~10月,在新加坡管理大学(SMU)朱飞达教授的实验室担任研究员。

LibRec推荐系统库创始人,SCI二区期刊《Electronic Commerce Research and Applications》编委,中国计算机学会会员,中国人工智能学会智能服务专业委员会委员。作为大会主席策划举办了EdRecSys 2016、IFUP 2016、IFUP 2018 国际研讨会;受邀成为多个重要国际学术会议的程序委员会委员,包括AAAI、IJCAI、SIGIR、WI、RecSys等;受邀成为多个重要国际学术会议和期刊的审稿人,包括AAAI、WWW、SIGIR、RecSys、TKDE、KAIS、KBS、ECRA、WIAS等。

研究兴趣包括 推荐系统、智能问答、自然语言处理、数据挖掘。在相关研究领域已发表60余篇国际学术会议和期刊文章,Google学术H-index:18,总引用:1300+次 (Google学术页面)。出版学术专著一本:《推荐系统进展:方法与技术》。目前的主要研究内容包括以下两个方面:

  • 推荐系统:重点是面向大数据的深度协同推荐算法,融合文本、图像、社交、知识图谱等多模态信息、以深度学习技术为基础的新型推荐系统。推荐系统是现代Web应用的核心技术之一,通过对大数据的用户偏好行为进行分析和建模,学习出目标用户的偏好模式,从而给出精准的个性化物品推荐。常见的推荐方式包括“买过...的还买过...”,“看过...的还看过...”等,涵盖的领域包括电影、音乐、新闻、商品、旅游、教育等,应用范围非常广泛,是大数据时代最典型的应用之一。
  • 智能问答:重点是基于知识图谱的智能问答算法,以深度学习技术为基础,探索融合知识图谱信息的精准问答匹配技术。其挑战主要包括:如何理解并有效表示问题;如何将问题映射为结构化查询;如何生成自然语言答案等。常见的智能问答系统如客服和聊天机器人、Siri等,可以分为基于事实的问答系统、基于常见问题集的问答系统和开放域的问答系统等三类。相关的研究课题还包括机器阅读理解、序列模型和语言模型等内容。

荣誉获奖
  • 2018.9.28,辽宁省自然科学学术成果奖,学术论文类三等奖。
  • 2018.8.23,沈阳市自然科学学术成果奖,学术论文类二等奖。
  • 2017.9.19,辽宁省自然科学学术成果奖,学术论文类三等奖。
  • 2017.7.28,沈阳市自然科学学术成果奖,学术论文类二等奖。
  • 2016,Best Student Paper Award,IEEE International Conference on Tools with Artificial Intelligence。

扫码加微信

LibRec

学术科研与应用


研究课题

基本概况

课题组现有本科生、硕士研究生和外国留学生等三十余人,计划每年招收3~5名硕士研究生、1名外国留学生、多名本科生。课题组与新加坡南洋理工大学(NTU)、新加坡管理大学(SMU)有密切联系,表现突出的同学有机会被推荐到新加坡交换学习,进一步深造。

  • 研究生培养模式:合作导师制
    • 为每个有潜力的研究生,邀请一位经验丰富的学者作为合作导师。
    • 为每个有潜力的研究生,搭配一位高年级的本科生进行结伴研究。
    • 学生、导师、合作导师就共同感兴趣的研究课题进行深度合作。
    • 合作导师:国内外著名高校博士、博士后、教授及企业老师等。
    • 学生要求:
      • 为人真诚、勤学好问;英语(CET-6)、数学、编程能力强;
      • 学习过深度学习课程,使用过TensorFlow或PyTorch的学生优先;
  • 科研论文列表Google学术论文引用
  • 课题组资源汇总

主持的课题项目

  • 2020.1.1 - 2023.12.31,国家自然科学基金面上项目,基于多类型用户偏好和物品属性增强的序列推荐技术研究,61972078,58万元。
  • 2018.1.1 - 2020.12.31,国家自然科学基金青年科学基金项目,基于多维辅助反馈的数据生成和物品推荐机理研究,61702084,25万元。
  • 2019.1.1 - 2021.12.31,教育部项目基本科研业务费项目优秀青年科技人才培育项目,基于多态行为轨迹的个性化推荐技术研究,N181705007,25万元。
  • 2018.9.1 - 2019.5.31,京东AI研究院“京东葡萄树--学者计划”,基于知识图谱和图嵌入技术的推荐技术研究。
  • 2017.9.1 - 2018.8.31,华为HIRP OPEN 2017基金项目,基于深度学习和生成式对抗神经网络技术的推荐系统模型,20万元。
  • 2017.5.1 - 2019.4.30,辽宁省自然科学基金指导计划面上项目,20170540319,5万元。
  • 2017.1.1 - 2018.12.31,教育部基本科研业务费国家项目培育种子基金,N161704001,22万元。
  • 2016.6 - 2021.5,东北大学软件学院“青苹果”计划 - 优秀青年骨干教师培养计划,15万元。
数据科学 科研团队

数据科学 科研团队目前由三位教师构成,分别是:郭贵冰(团队负责人)、刘园姜琳颖。团队的主要研究方向包括:推荐系统、区块链技术、自然语言处理。团队拟每年招收11名硕士研究生、数十名高年级本科生参与三大研究方向的学术研究。

推荐系统:
  • 基于会话序列的推荐模型
  • 基于知识图谱的推荐模型
  • 基于强化学习的推荐模型
  • 推荐模型的攻击与防御
  • 推荐模型的可解释性、新颖性
  • 关联项目:LibRec、LibDL

自然语言处理:
  • 基于知识图谱的问答系统
  • 机器阅读理解
  • 自动文本摘要
  • 信息检索
  • 关联项目:IdeaMan、LibDL

区块链技术:
  • 区块链公平高效共识机制研究
  • 区块链在物联网的应用
  • 区块链在车联网的应用
  • 具有隐私保护的信誉系统研究
  • 关联项目:DevChain
开源项目:LibRec,A Leading Java Library for Recommender Systems

基本概况

是领先的推荐系统开源算法库,实现了90+个推荐算法,可解决评分预测和物品推荐两大关键问题。该开源库在GitHub的推荐系统领域排名第一,获得了大家的广泛认可和支持。当前的发展方向是支持大数据的工业应用。2016年1月,LibRec核心开发团队正式成立。到目前为止,共有20位成员参与开发,包括7名有多年研发经验的IT公司研发经理和职员,3名海外博士,5名国内博士,3名硕士研究生【查看团队成员详情

核心团队

  • Core 模块增强:负责推荐算法的代码实现、并行学习、增量更新,以及融合多个推荐算法的集成模型。
  • Spark 模块开发:负责LibRec-Spark的通信桥接、基于Spark的高级推荐算法实现、工业级的扩展应用等。
  • LibDL 框架开发:提出基于Java的自有深度学习框架LibDL、实现基于LibDL的深度推荐算法及功能扩展等。
  • 推广宣传:负责微信、微博、知乎等公众平台的帐号运营、各论坛的推广宣传等。

加入我们

  • 投递个人简历到 guogb@swc.neu.edu.cn
  • 通知面试
  • 加入团队
公众平台

微信社区群

LibRec社区(500人满员)、LibRec社区B(220人、尚未满员)。如何加入:公众号后台输入“社区群”。

微信公众号:LibRec智能推荐【aiLibRec】

LibRec

项目开发与研究


Python 项目:IdeaMan,“谋士”,A General Framework for Idea Management

项目简介

本项目旨在构建学术领域的通用管理框架,研究的主要内容有:(1)(由关键词定义的)特定研究领域的进展跟踪和内容推荐,如社交关注和论文发表;(2)学术作者的论文检索和影响计算,如作者关系图谱、领域影响力、文献管理等;(3)学术事件的及时跟进和个性推荐,如国际会议的举办、学术报告的推荐等。

团队组成

团队成立于2018年9月,目前由 5 名本科学生组成,欢迎更多学生参与。

项目进展

主要编程语言是Python,已经完成或正在进行的内容有:

  • 通过在Tweet、Arxiv、Reddit等多源信息渠道上抓取数据,完成了数据的相关性过滤、内容的领域分析、文档的简略摘要等,研究成果应用于【LibRec智能推荐】微信公众号的【LibRec精选】档目。
  • PDF格式的论文内容分析:论文的作者、院校、邮箱信息的抓取、论文缩略图的生成、论文关键词(短语)的抽取等;
  • 学术作者的影响力分析:作者关系图的构建和展示、多ID作者的识别等。
  • 基于论文摘要、参考文献引用图、用户行为等要素的论文推荐;

项目展示

IdeaMan
Java 项目:LibDL,A Java Library for Deep Learning

项目简介

本项目旨在构建一个通用的基于Java语言的深度学习模架。深度学习已经成为业界热门的主题词,其业务应用已经从语音识别、计算机视觉扩展到自然语言处理等诸多领域。同时,也涌现了不少颇具影响力的深度学习框架,如Tensorflow、PyTorch等。但是,基于Java语言的深度学习框架相对较少,而业界也有相当的业务需求。

团队组成

团队成立于2018年11月,目前 5 名本科学生组成,欢迎更多学生参与。

项目进展

主要编程语言是Java,已经完成或正在进行的内容有:

  • LibDL框架的顶层设计、功能模块划分、动态计算图等的讨论和分析;
  • 已完成文本、图像等源数据的读取、转换等操作,包括word2vec词嵌入等;
  • 已完成卷积神经网络CNN,包括卷积和池化操作,正在实现conv2d等函数。
  • 已完成循环神经网络RNN及双向RNN,正在处理LSTM、GRU等模型的实现。
  • 已完成除噪自编码器DAE的开发和测试,正在处理堆叠SDAE模型的实现。
  • 神经网络模型的序列化、反序列化等,模型训练学习的可视化等技术的实现。

项目展示

LibDL

教学课程与内容


课程:推荐系统导论

课程简介

推荐系统通过分析用户对一系列事物的历史偏好来发现其行为模式,然后从一些尚未经历过的物品中推荐一些感兴趣的物品。课程的主要内容包括:(1)基于内容的过滤算法;(2)基于用户反馈的协同过滤算法;(3)基于数据降维的隐式因子模型;(4)推荐系统的分析和评估;(5)推荐系统开源库 LibRec 及其应用。

课程内容

  • Chapter 1: Introduction
  • Chapter 2: Content-based Recommendation
  • Chapter 3: Collaborative Filtering with LibRec
  • Chapter 4: Matrix Factorization
  • Chapter 5: Factorization Machine
  • Chapter 6: Neural Recommendation
  • Chapter 7: Sequential Recommendation
  • Chapter 8: Industry Implementations
课程:自然语言处理

课程简介

本课程介绍自然语言处理的主要研究内容及关键技术,以及相关的研究成果。课程的主要内容包括:(1)数学基础,如贝叶斯模型、n元语法模型和 HMM模型等;(2)语言学基础,介绍有关词法和语法等方面的知识,包括词语搭配、语义消歧、句法分析等;(3)具体应用,如文本分类和聚类、信息检索、机器翻译等。

课程内容

  • Chapter 1: Introduction
  • Chapter 2: Basic Text Processing
  • Chapter 3: N-gram Language Modeling
  • Chapter 4: Text Classification
  • Chapter 5: Part-of-Speech Tagging
  • Chapter 6: Sequence Processing with Recurrent Networks
  • Chapter 7: Question Answering and Summarization
  • Chapter 8: Information Extraction

学术交流与访问