导语

北京计算科学研究中心于10月27日在北京举办的复杂系统与社会计算研讨会活动圆满完成。本次活动由中文信息学会社会媒体处理专委会社会网络分析专业组（筹）联合组织。本文为复杂系统与社会计算研讨会的全部视频回放。

复杂系统与社会计算研讨会

10月27日，“复杂系统与社会计算研讨会活动”在北京计算科学研究中心举办。本次活动由中文信息学会社会媒体处理专委会社会网络分析专业组（筹）联合组织，以期促进跨学科新兴领域的发展。复杂系统与社会计算研讨会在京举办，9场精彩讲座全程回放。

作为一个跨学科领域，复杂系统科学吸收了许多不同领域的贡献，涵盖了许多不同学科问题的研究方法，包括统计物理学、信息论、计算机科学、生物学等，近年来取得丰硕的研究成果。

同样作为一个跨学科的新兴研究领域，社会计算近年来蓬勃发展，并得到国内外信息科学及相关交叉学科领域的高度重视，正在实现社会科学、信息科学和管理科学多学科交叉研究的实质进展和融合。

复杂系统与社会计算研讨会全回顾

讲座录播已经在 Bilibili 完整上线，扫码即可看回放：

录播观看方式一：扫描二维码，看录播

录播地址：

https://www.bilibili.com/video/av74626028

录播观看方式二：集智学园官网同步上线了录播视频，可通过小程序、网站观看：

https://campus.swarma.org/play/coursedetail?id=425

讲座详情介绍

1.唐杰：Graph Neural Networks and Applications

2.闫小勇：社会引力定律追根溯源

3.胡延庆：Revealing the Predictability of Intrinsic Structure in Complex Networks

4.李大庆：城市交通的健康管理

5.张江：从简单规则到机器学习——复杂系统建模方法的进化

6.张潘：Phase transitions and optimal graph convolution networks in the graph semi-supervised classifications

7.张伦：在线知识传播：知识疆域演化与用户行为分析

8.韩筱璞：联合经济：信息时代经济发展的全新范式

9.李睿琪：Urban Spatial Scaling: From active population to folding cities

嘉宾及报告简介

1.Graph Neural Networks and Applications

清华大学计算机科学与技术系长聘教授唐杰带来了题为《Graph Neural Networks and Applications》的报告，介绍了他们提出的一种可以通过对邻域聚合和网络采样进行改进，显著提高GNN性能的模型。

https://campus.swarma.org/play/coursedetail?id=11034

2.社会引力定律追根溯源

引力定律原本是解释和预测物体之间引力交互的一个基本物理定律，但有趣的是，在人口迁移、交通出行、商品贸易、信息通讯、社会交往、科研合作等大量人、物、信息的空间交互现象中，都存在类似万有引力定律的规律。闫小勇老师将从大量社会引力定律实证观察出发，追根溯源，从最大熵原理、随机效用理论和博弈论等不同视角探索社会引力定律背后的机理。

https://campus.swarma.org/play/coursedetail?id=11035

3.Revealing the Predictability of

Intrinsic Structure in Complex Networks

胡延庆老师介绍了团队在网络结构预测方面的发现：网络结构的最短压缩长度可以直接评估结构的可预测性，并且在广泛的真实网络中发现的两个量之间具有普遍的线性关系，暗示了其中可能存在的普遍类别。

https://campus.swarma.org/play/coursedetail?id=11036

4.城市交通的健康管理

通网络的健康运行是交通可靠性管理的核心问题。同时，城市交通相关的位置服务是典型的大数据景，目前的位置大数据计算依然面临着数据缺失、抽样偏差、计算复杂等瓶颈问题，导致较难出现可支持决策的城市交通评估、预测和调控方法，成为目前智慧城市实施的主要困难之一。面对这些挑战，李大庆老师带来了题为《城市交通的健康管理》的报告，基于渗流理论，结合交通路况数据，对交通拥堵从产生、演化到恢复的全寿命周期进行分析，挖掘系统的弹性规律，希望可以为城市交通的可靠性管理提供新途径。

https://campus.swarma.org/play/coursedetail?id=11037

5.从简单规则到机器学习

——复杂系统建模方法的进化

复杂系统大多可以被看作一个相互作用的网络。传统的建模方法通过简单规则来抽象个体之间的相互作用，从而复现出系统的宏观特性。这种方法虽然可以帮助建模者洞察系统背后的深层机制，但较难结合系统的微观数据和参数。张江老师介绍了团队开的一种根据系统的时间序列而自动建模的算法框架。这种方法不仅能拟合系统演化的动力学，而且可以自动学出系统背后的相互作用网络。最后，将简单规则和机器学习这两种方法进行了对比。

https://campus.swarma.org/play/coursedetail?id=11038

6.Phase transitions and optimal

graph convolution networks in

the graph semi-supervised classifications

张潘老师介绍了目前对图结构数据的半监督学习进行统计物理学研究。通过分析具有离散标签和二分特征的随机网络的生成模型，使用统计物理学的空腔方法对半监督学习问题进行了渐近精确分析，并且进行了无效相变，超出该相变不可能进行分类。我们的理论自然地转化为图卷积神经网络算法，该算法在基础生成模型中是最佳的，在合成网络中，该模型优于现有的图卷积网络算法。

https://campus.swarma.org/play/coursedetail?id=11039

7.在线知识传播：

知识疆域演化与用户行为分析