北京時間8月4日-8日，國際數據挖掘頂級會議KDD2019在美國阿拉斯加召開。京東集團受邀參會，不僅在KDD上發表了14篇論文，在國際2019/35328.html">城市計算論壇、中國數據科學論壇兩個重量級論壇中也起到了重要組織作用。作為中國大陸工業界第一位在KDD主題圓桌論壇上發表演講的嘉賓，京東集團副總裁、京東數字科技首席數據科學家、京東2019/35328.html">城市總裁鄭宇教授在“KDD25周年圓桌論壇”上向國內外學者和工業界、政界領袖闡述了數據安全的重要性。
數據挖掘最強華人力量
為了幫助學術和產業資源有效對接，在本次KDD大會中，京東2019/35328.html">城市承辦了“國際2019/35328.html">城市計算論壇”， 該論壇是2019/35328.html">城市計算領域的國際頂級峰會，由鄭宇教授發起創辦，自2012年舉辦以來，已經連續八屆在KDD大會期間召開。今年的“國際2019/35328.html">城市計算論壇”由鄭宇教授和滴滴出行副總裁郄小虎發表主題演講，并吸引了來自Google、Pitney Bowes、麻省理工學院、哥倫比亞大學、華威大學、斯坦福大學、清華大學等知名公司和高校的國內外頂尖學者，共同分享和探討大數據和人工智能在智能2019/35328.html">城市建設方面的成果和經驗。
京東集團副總裁、京東數字科技首席數據科學家、京東2019/35328.html">城市總裁鄭宇教授在KDD2019“國際2019/35328.html">城市計算論壇”上發表主題演講
8月6日召開的KDD2019“中國數據科學論壇”是數據挖掘領域最具影響力的舞臺，也是數據科學領軍人物向世界集中展示中國數據科學最新進展的重要窗口。本屆“中國數據科學論壇”由SIGKDD在中國的唯一官方分支機構ACM數據挖掘中國分會（KDD CHINA）組織發起，鄭宇教授作為ACM數據挖掘中國分會的秘書長，邀請了百度研究院商業智能實驗室主任、百度人才智庫主任、羅格斯大學的熊輝教授，清華大學計算機科學與技術系唐杰教授、崔鵬副教授，滴滴出行副總裁、滴滴AI Lab負責人葉杰平教授，字節跳動人工智能實驗室總監李磊，微眾銀行副總經理Vincent Zheng等學者和工業界大咖齊聚一堂，讓世界看到了中國在數據挖掘領域的杰出成就。
左起分別是清華大學唐杰教授、京東集團副總裁鄭宇教授、字節跳動人工智能實驗室總監李磊、WeBank的副總經理Vincent Zheng
之后召開的KDD25周年圓桌論壇，是整個KDD大會最重要的環節之一。在長達2個小時的議程中，吸引了數千人聆聽，作為第一位被大會主題圓桌論壇邀請的中國大陸演講嘉賓，鄭宇教授從數據保護、機器學習、生態三個層面闡述了京東對數據科學大眾化的看法。談到數據保護，鄭宇教授認為可以通過“數字網關”等技術，免備案服務器，對多源異構數據進行處理，讓大家不暴露數據隱私的前提下，實現知識共享。在之后的圓桌環節，來自學術界、工業界和政府方面的嘉賓，重點探討了如何讓更多人成為數據科學進步中的獲利者。
鄭宇教授在KDD主題圓桌論壇發表演講
作為世界數據挖掘領域的最高級別學術會議，每年的ACM SIGKDD都會吸引來自全世界各地3000余名數據科學領域的頂級學者和知名企業，在會上展示各自的技術成果。今年的KDD首次采用雙盲評審政策，并重視論文的結果的可重現性，本次Research和Applied Data Science兩個track的論文接受率更是低至14%和20.7%。
在評審條件嚴格和接收率低的背景下，京東集團仍有14篇論文被大會收錄。論文內容主要涉及用戶推薦、平臺搜索、智能2019/35328.html">城市等場景下，大數據及人工智能等創新技術的落地應用。其中4篇論文來自京東數科在硅谷設立的數據智能實驗室，京東數科數據智能實驗室首席科學家黃恒教授在KDD上針對論文內容做了兩場報告，闡述了京東數科在生成式對抗網絡、神經網絡等領域的最新科研成果。
其他論文則聚焦在大數據和AI在智能2019/35328.html">城市建設中的落地，服務器租用，凸顯了京東集團在智能2019/35328.html">城市業務板塊的產學研一體化能力。以《基于深度元學習的時空數據2019/35328.html">城市交通預測》為例，它解決的是交通數據間復雜的時空相關性問題。京東2019/35328.html">城市將交通的關聯模式抽象成圖結構，用基于深度元學習的方法，建模地理信息對交通中復雜的時空相關性所產生的影響。具體來說，該方案用元學習模塊生成交通預測模型，并在此基礎上，用學到的模型進行交通預測，從而實現了在使用更少參數的同時取得更加準確的預測結果。在實驗中，京東2019/35328.html">城市選取“出租車流量預測”和“道路車輛速度預測“等多個真實任務進行結果重現。實驗結果顯示，應用深度元學習方案后的預測結果，更加接近真實的流量趨勢。這有力地證明了元學習方法的有效性，也證明了該項研究成果在解決智能城市建設領域的重要推動意義。
