报告摘要： Reasoning on knowledge graphs is a fundamental problem and important in a variety of applications such as recommendation in E-commerce, drug repurposing in Biomedical knowledge graphs. In this tutorial, I will give a complete introduction to the latest progress on reasoning on knowledge graphs including: (1) knowledge graph embedding based approaches (e.g., TransE, TransR, and RotatE); (2) traditional inductive logic programming approaches and recent neural logic programming approaches; (3) and latest progress on combining neural and symbolic logic approaches for knowledge graph reasoning.

**个人介绍： 唐建博士现任加拿大蒙特利尔学习算法研究所(Mila) 以及蒙特利尔大学计算机学院、商学院助理教授，加拿大人工智能讲习教授。主要研究兴趣包括图表示学习、图神经网络，生成模型、知识图谱以及药物发现。2014年于北京大学信息科学技术学院获得博士学位，2014-2016年任职微软亚洲研究院副研究员，2016-2017年密歇根大学和卡内基梅隆大学联合培养博士后。2014年博士期间获得机器学习三大顶级会议ICML的最佳论文，2016年获得数据挖掘顶级会议WWW的最佳论文提名，2020年获得Amazon以及腾讯教师研究奖。他是图表示学习领域的代表性人物，发表了图表示学习领域一系列代表性的工作如LINE、LargVis、RotatE等。他发表的图表示学习算法LINE被广泛认可，是WWW会议在2015-2019期间引用次数最多的论文。

内容中包含的图片若涉及版权问题，请及时与我们联系删除