首先山东大学任昭春教授带来题为《面向用户偏好与满意度的对话式推荐系统》的报告。对话式推荐系统通过与用户的对话交互向用户提供推荐结果，而传统的对话式推荐系统往往仅通过推荐前的对话捕获用户的短期偏好，忽视了用户历史点击或者购买带来的长期偏好。在本次报告中，任昭春老师介绍了如何在多轮自然对话中挖掘用户和商品键的长-短程偏好表示，以及如何从大量无标注的样本中以自监督的方式挖掘用户商品之间的语义关联性。此外，针对对话式推荐系统的评估过程，任昭春老师还介绍了一种基于隐喻的用户模拟器并设计了基于测试器的评估框架，用于产生和人工评测一致的结果，以缓解人工评测花费过高的限制问题。
同济大学王昊奋研究员介绍《知识驱动的多策略多模态问答技术实践》现有的多模态问答主要面临两个挑战：如何理解用户多种多样的问题表达，以及如何从海量问答知识中精准地匹配答案。本次报告分别介绍了文本+知识的多策略问答以及多种不同的多模态问答系统，比如基于检索的问答系统、基于知识图谱的问答系统以及（视觉问答和视频问答）等。报告从基本问答技术出发，引出了文本+知识的多策略问答相关技术和发展趋势，最后介绍了图像问答和视频问答的关键技术和相关发展路线。最后展望了未来多策略和多模态问答技术的关键难点和挑战。
中国人民大学严睿副教授介绍基于知识驱动的对话技术前沿探究，主要探讨如何将知识的学习融入到驱动对话的过程中，使得人机对话能达到更为接近人们日常会话水平的状态。本次报告首先介绍相关的背景知识，包括对话系统的分类（如基于自监督的方法、基于阅读理解的方法以及基于多语言知识的方法等）及现有挑战（如语义匹配、语义连续性、相关性、一致性等）。然后针对检索式对话系统学习上下文语义匹配、显/隐式知识的引入、逻辑推理、语义理解、知识补全以及多语言知识的引入等问题，进一步详细介绍相关的工作。
来自美团的武威博士分享了生活服务知识图谱在美团业务中的应用。武威博士首先介绍了知识图谱的研究与应用现状，详细阐述了知识图谱在美团搜索、广告、推荐、智能助理等场景中的应用。随后，武威博士系统介绍了层次化概念建模、低资源文本知识挖掘、迭代式知识获取等知识图谱关键技术以及相关挑战（如多源数据一致性、多领域知识对齐等）。报告最后总结了知识图谱应用中亟待解决的挑战与潜在发展方向，为参会师生的未来研究提供了有益启发。
来自北京理工大学的毛先领老师介绍了实体关系联合抽取研究的最新进展。传统实体关系联合抽取方法虽在宏观角度实现了实体与关系的同步抽取，但从微观角度看来，其抽取过程依然是流水线化的多模块异步抽取方法，导致错误传播问题依旧存在，即错误的实体边界判断将影响关系抽取的准确率。报告中毛先领老师介绍了一种基于二部图匹配的微观同步实体关系抽取方法和一种基于细粒度分类的微观同步实体关系抽取方法，真正实现了微观层面上的联合抽取，有效提高了任务间信息交互。最后毛先领老师对相关工作进行了总结并分享了实体关系抽取的未来研究方向。
