高 升

个人照片-高升

北京邮电大学信息与通信工程学院 副教授

中国计算机学会大数据专家委员会委员,国家自然科学基金评议专家,科技部大数据技术评审专家,法国巴黎第六大学客座研究员。

邮箱:gaosheng AT bupt.edu.cn

  •  主要研究领域

机器学习与数据挖掘、社会网络分析、知识图谱与信息推荐、生物信息处理等

  • 工作经历

2012.06~至今       在北京邮电大学信息与通信工程学院任教

2013.09~2014.3   微软亚洲研究院“铸星计划”访问学者

2004.09~2007.06  在北京邮电大学信息工程学院担任团委书记

  •  教育经历

2011.10~2012.6  法国巴黎六大LIP6实验室博士后工作

2007.10~2011.9  国家公派至法国巴黎第六大学信息工程专业 获博士学位

2003.9~2006.5   保送至北京邮电大学模式识别与智能系统专业 获工学硕士学位

1999.9~2003.6   北京邮电大学信息工程学院信息自动化专业 获工学学士学位

  •  近期主持的项目

2014.1~2016.12  国家自然科学基金青年项目61300080

基于联合潜在因子模型的跨领域信息推荐系统研究

2014.9~2015.1  北邮-Docomo公司国际合作研究项目

基于深度学习的音乐自动标注平台研究

2014.1~2014.12  北邮-Docomo公司国际合作研究项目

Deep Learning for Image Recognition

2013.1~2014.12  现代信息科学与网络技术北京市重点实验室项目XXDX1304

基于用户行为建模的海量跨领域信息推荐技术研究

2013.1~2014.10  北京邮电大学邮青年教师创新基金项目2013RC0119

面向Web社会网络的信息推荐系统研究

2013.3~2013.11  北邮-Docomo公司国际合作研究项目 2013BM05

基于社交网络的互联网视频个性化推荐系统及实现研究

  •  近期发表的论文
  1. Yu Zhao,Sheng Gao(*),Patrick Gallinari,Jun Guo,Knowledge base completion by learning pairwise-interaction differentiated embeddings,Data Mining and Knowledge Discovery,2015,29(5) : 1486-1504.
  2. Chunyun Zhang, Weiran Xu, Zhanyu Ma, Sheng Gao, Jun Guo,Construction of Semantic Bootstrapping Models for Relation Extraction, Knowledge-Based Systems(KBS), 83, 128-137, July 2015.
  3. Zhou Fang, Sheng Gao(*), Juncen Li, Jianxin Liao, Cross Domain Recommendation via Tag Matrix Transfer, 15th IEEE International Conference on Data Mining (ICDM 2015),2015.11.13-2015.11.17。
  4. Juncen Li, Sheng Gao(*), Ning Han, Zhou Fang, Jianxin Liao: Music Mood Classification via Deep Belief Network, 15th IEEE International Conference on Data Mining (ICDM 2015),2015.11.13-2015.11.17。
  5. Yeon-Chang Lee, Jiwon Hong, Sang-Wook Kim, Sheng Gao(*), Ji-Yong Hwang: On Recommending Job Openings, HyperText, 2015.
  6. Sheng Gao, Dai Zhang, Honggang Zhang, Jianxin Liao, Chao Huang, Yongsheng Zhang, Jun Guo. VecLP: A Real-time Internet Video Recommendation System for Live TV Programs. AAAI 2015.
  7. Siting Ren, Sheng Gao, Jianxin Liao, Jun Guo. Improving Cross-domain Recommendation through Probabilistic Cluster-level Latent Factor Model. AAAI 2015.
  8. Sheng Gao, Hao Luo, Da Chen, Shantao Li, Patrick Gallinari and Jun Guo: A Cross-domain Recommendation Model for Cyber-Physical Systems. IEEE Transactions on Emerging Topics in Computing, 2014.
  9. Zhanyu Ma, A. Leijon, Sheng Gao. Predictive Distribution of the Dirichlet Mixture Model by Local Variational Inference, Journal of Signal Processing System (JSPS), Volume 74, Issue 3, pp.359-374, 2014.
  10. Yu Zhao, Sheng Gao, Jun Guo. Link Prediction with Three-ways Affinity Embeddings Model. In procedding: The International Conference on Future Web, Busan, Korea, November 6-7, 2014.
  11. Yu Zhao, Sheng Gao, Patrick Gallinari, Jun Guo. Pairwise Differentialized Embedding Model for Knowledge Base Completion. ECML/PKDD Workshop, 2014.
  12. Li Juncen, Sheng Gao, Zhiqing Lin, Jun Guo. Inferring Links in Cascade through Hawkes Process Based Diffusion Model. IC-NIDC 2014.
  13. Hao Xu, Sheng Gao, Huachan Pang, Jun Guo. Predicting Information Diffusion via Matrix Factorization Based Model. IC-NIDC 2014.
  14. Dai Zhang, Sheng Gao, Honggang Zhang, Guang Chen, Jun Guo. A Realtime Video Recommendation System for Live Programs. IC-NIDC 2014.
  15. Sheng Gao*, Ludovic Denoyer, Patrick Gallinari and Jun Guo, Modeling relational data via Latent Factor BlockModel. European Conference on Information Retrieval(ECIR), 2013.
  16. Sheng Gao*, Shantao Li, Hao Luo, Da Chen, Yajing Xu and Jun Guo: Friendship and affiliation co-recommendation via Collective Latent Factor BlockModel, 16th WPMC, 2013.
  17. Sheng Gao, Hao Luo, Da Chen, Patrick Gallinari and Jun Guo: Cross-Domain Recommendation via Cluster-Level Latent Factor Model. ECML/PKDD, 2013.
  18. Sheng Gao*, Ludovic Denoyer and Patrick Gallinari, Prédiction de Liens Temporels en Intégrant les Informations,  La revue Ingénierie des Systèmes d’Information , volume(6), 14-27, 2012.
  19.  Sheng Gao*, Ludovic Denoyer, Patrick Gallinari and Jun Guo, Probabilistic Latent Tensor Factorization Model for Link Pattern Prediction in Multi-relational Networks, Journal of China Universities of Posts and Telecommunications, 2012.
  20. Sheng Gao*, Ludovic Denoyer and Patrick Gallinari, Link Prediction via Latent Factor Block Model. Proceedings of the 21st International Conference on World Wide Web (WWW), 2012.
  21. Sheng Gao*, Ludovic Denoyer and Patrick Gallinari, Temporal Link Prediction by Integrating Content and Structure Information. Proceedings of the 20th ACM International Conference on Information and Knowledge Management(CIKM), 2011.
  22. Sheng Gao*, Ludovic Denoyer and Patrick Gallinari, Link Pattern Prediction with Tensor Decomposition in Multi-relational Networks. IEEE Symposium on Computational Intelligence and Data Mining (CIDM), 2011.
  23. Sheng Gao*, Ludovic Denoyer, Patrick Gallinari and Jun Guo, Probabilistic Latent Tensor Factorization Model for Link Pattern Prediction, 3nd IEEE International Conference on Network Infrastructure and Digital Content (IC-NIDC), 2012.
  24. Sheng Gao*, Ludovic Denoyer and Patrick Gallinari, Prédiction de Liens Temporels en Intégrant les Informations de Contenu et de Structure.  Seconde conférence sur les Modèles et l’Analyse des Réseaux :Approches Mathématiques et Informatique (MARAMI), 2011.
  25. Sheng Gao*, Ludovic Denoyer and Patrick Gallinari, Tensor decomposition model for link prediction in multi-relational networks. 2nd IEEE International Conference on Network Infrastructure and Digital Content (NIDC), 2010.
  26. Sheng Gao*, Ludovic Denoyer and Patrick Gallinari, Prediction de Motifs Relationnels par Decomposition Tensorielle dans les Reseaux Sociaux. Proceedings of REiSO Workshop on Search and Recommendation in Social Networks, 2010.
  27. 高升 编著:Windows 2003 系统管理手册,清华大学出版社,2007年.
  28. 邝祝芳,焦贤龙,高升:翻译出版:数据挖掘原理与应用,清华大学出版社,2007年.原书作者:ZhaoHui Tang(美): Data Mining with SQL Server 2005 in English,John Wiley&Sonc,Inc,2006.
  •  在研实用技术

[1] 面向Web环境的智能信息推荐技术

性能和特点:Web环境下不同领域中的多源多模态异构信息对象(文本、图像、音频、视频、等)的交互融合使用户面临着信息爆炸情境下的信息选择困境;传统的信息推荐系统及其核心算法已很难适应用户规模、信息推荐项目数量和用户历史评价数据的快速增长,而且仅仅针对单一目标领域内的信息对象提供推荐服务。本信息推荐技术平台扩展了传统信息推荐系统的功能,不仅可以通过获取用户的社交网络信息提高信息推荐的准确度,还可以实现对跨领域的多模态异构信息对象实现跨领域智能信息推荐;同时初步实现了多类信息推荐算法的测试平台:

n  实现了20余种单一领域智能信息推荐算法

n  实现了4种跨领域信息推荐算法

n  实现了对电影、书籍等商品的个性化信息推荐技术

n  实现了针对社交网络中特定用户的好友推荐技术

n  实现了针对社交网络中特定用户的社团、圈子智能推荐技术

主要应用:面向Web社会网络的好友推荐系统、面向Web环境的新闻个性化推荐系统、面向Web环境的旅游目的地个性化推荐系统、针对互联网可视媒体的个性化智能推荐系统等。