报告人学术简介
  于硕，女，大连理工大学计算机学院副教授，计算机科学与技术学院院长助理。主要研究方向为图学习、AI4S等。以第一/通讯作者发表NeurIPS、ICLR、TOIS等中科院一区/CCF-A类论文30余篇，其中IEEE/ACM Trans系列期刊论文16篇，谷歌学术引用3300余次，h指数为29。主持国家自然科学基金面上项目、重点研发计划子课题、启元国家实验室创新基金项目、国家自然科学基金青年科学基金等纵/横向课题12项。获评首届中国中文信息学会-国家科学中心晨星青年、CAAI年度社会计算青年学者新星（年度唯一女性）、ACM大连分会学术新星等学术荣誉；获包括BDSC2023、IEEE CSDE2020在内的国际会议最佳论文奖等6项。候选人现为IEEE Senior Member，担任Humanities and Social Sciences Communications（Nature旗下刊物）编委及10余部重要国际期刊审稿人，并担任WWW、KDD、SIGIR等CCF-A类会议的SPC/PC、ACM/SIGAPP旗舰会议Track Chair等。此外，于硕还是IEEE Senior Member，ACM/CCF会员，CCF信息系统专委会执行委员，CAAI终身会员。
报告内容
  社交网络推荐模型已在各类社交推荐任务中取得显著成果。此类模型利用图学习技术实现了对社交网络拓扑信息的高阶表征和深度理解。然而，由于图学习技术本身的非线性聚合机制，加之社交行为高度异构，用户属性混杂多样，社交传播过程复杂等特性，导致模型在可解释性方面仍面临特有的挑战，难以针对推荐决策为用户生成高效用，高可信的解释。围绕社交网络推荐模型的可解释性问题，设计基于异构干预分布的因果关系解纠缠策略，实现对社交网络中因果拓扑信息的筛选和提取，提升社交推荐子图解释对真实因果模式的表达和刻画能力。发现并挖掘多视角因果子图解释中的协同效应，揭示多类型社交行为之间的协同交互模式，为交互关系解析提供蕴含协同效应的多视角拓扑信息。设计基于合作博弈的交互关联映射机制，解析不同社交行为间的交互关系，实现协同交互模式的语义级刻画。