同济大学是国家“双一流”、“985”、“211”重点建设高校。同济大学计算机科学与技术系拥有计算机科学与技术一级学科博士点、和博士后科研流动站，在技术研发、科技服务等领域具有长期的经验，拥有一大批专利和科研成果，具有丰富的科研基础，设有 “嵌入式系统与服务计算教育部重点实验室”、“高性能计算国家工程分中心”、“企业数字化技术教育部工程研究中心”、“工业视觉感知与智能计算工程中心”、“大数据与网络安全研究中心”等国家省部级实验室或研究中心，可提供高性能计算与存储服务，具有良好的科研环境和试验条件。

目前团队成员包括教授2名、助理教授2名、全日制博士生7名、全日制硕士生11名。实验室搭建的硬件平台拥有8台服务器节点组成的分布式集群，每个节点具有至少256 GB的内存，以及10 TB的存储空间，总存储量已达百TB级别，支持分布式以及并行任务的高效率运行。团队成员与国际学者和相关学术团体建立和保持长期密切的联系和交流。

团队负责人向阳教授，博士生导师，兼任上海市信息学会会长、CCF大数据专委会委员、《大数据》期刊编委、大数据流通与交易技术国家工程实验室技术专家委员会委员、中神华集团信息化咨询专家委员会委员。具体研究方向包括：大模型、知识图谱、人工智能、自然语言处理、大数据智能信息处理、数据挖掘、智能决策支持系统、语义计算、信息系统等。近年来主持完成和主持在研973课题1项、国家自然科学基金项目5项、国家863项目1项、国家科技支撑计划项目1项、上海市科委经信委项目6项；在IEEE Trans系列，AAAI、WWW、CIKM等国内外著名会议期刊上发表论文10余篇，SCI/EI收录60余篇，他人引用200余次，申请发明专利10项，授权发明专利4项，软件著作权9项；出版学术专著4部，国家级“十一五”规划教材（第二版）1部。近五年，获得教育部科学技术进步奖二等奖2次（排名第一、第五），获上海市科学技术进步奖1项（排名第一）。

本团队曾在云计算及大数据管理领域中积累了丰富的项目经历，完成或在研多项国家级、省部级项目，包括国家重点研发计划项目课题《云-端融合的超大型集装箱码头作业大数据应用技术》（2019YFB1704402）、国家重点基础研究发展计划（973计划）课题（2014CB340404）、国家高技术研究发展计划（863计划）课题《基于客户数据语义智能分析的营销策略决策支持系统研究》（2008AA04Z106）、国家自然科学基金项目《云环境下基于服务驱动的管理信息系统再造研究》（71571136）、国家自然科学基金项目《基于语义计算的高维复杂数据降维理论与实证研究》（701171148）、国家自然科学基金项目《基于语义的新一代决策支持系统关键问题研究》（70771077）、国家自然科学基金项目《基于复杂问题结构可计算的决策支持模式研究》（70371054）、国家自然科学基金项目《企业知识图谱构建中的开放域知识抽取及可信与时序性研究》（72071145）、上海市科委科技创新计划《基于金融云的信息服务模式研究及应用》（11dz501700）、上海市信息化重点项目《SOA架构下支持行政审批业务的跨部门自主协同服务平台研究》（200901015）、上海市科技创新行动计划《面向智慧家庭服务的共性关键技术研究与应用示范》（14dz1210601）。

已完成主要项目：

1、国家重点研发计划项目/课题，2019YFB1704402，云-端融合的超大型集装箱码头作业大数据应用技术，2019.11-2022.11，主持。

主要内容：围绕超大型集装箱自动化码头管控作业的大数据应用技术。面对多维异构大数据的存储需求，研究基于云端分布式架构的低冗余存储优化技术，提供可靠的数据存储支持。面对生产大数据复杂依赖关系，构建多级融合大数据关联图谱，实现全域数据融合。面对码头用户端对数据分析挖掘服务的需求，研究模型自进化学习算法，实现基于大数据的自动化码头业务分析与挖掘技术，解决码头智能管控中的问题与难点，通过自主式知识积累，形成从数据→知识→服务的自进化学习能力。

2、国家自然科学基金，71571136，云环境下基于服务驱动的管理信息系统再造研究，2016/01-2019/12，主持。

主要内容：随着云时代的到来，云环境下的数据资源、计算资源、服务资源极大丰富，为管理信息系统再造带来了新的机遇，然而也面临着“服务标准化与需求个性化”和“服务质量与再造成本”两类矛盾的挑战。针对这一挑战，本项目拟在语义计算基础上构建针对云环境下管理信息系统再造的语义范式体系，分别实现用户需求语义、信息资源语义、信息服务语义和服务流程语义的规范化描述以及转化计算方法；并在此基础上，提出基于语义的需求理解方法、资源计算方法、服务计算方法、流程重构方法，最终形成一种新的云环境下基于服务驱动的管理信息系统再造理论及方法，为管理信息系统的发展探索创新之路。

3、国家高技术研究发展计划（973）计划课题，2014CB340404，网络大数据内容建模与语义理解方法研究，2014/01-2018/08，主持。

主要内容：针对大数据内容建模和语义理解的深度性、关联性和准确性的挑战；围绕“网络大数据的可计算性和新型计算范式”这一科学问题，结合网络大数据复杂性、动态性和隐蔽性等特点，在大数据的特征模型、内容建模、语义理解和主题演化与预测的关键技术上取得突破，实现对网络大数据的内容理解及演变规律的把握，并为项目应用示范提供理论基础和技术方法。

4、国家自然科学基金，701171148，基于语义计算的高维复杂数据降维理论与实证研究，2012/01-2015/12，主持。

主要内容：随着物联网与云计算时代的来临，数据的高维性和海量性已成为数据处理领域中的一种常态，数据的高维性和海量性带来的维灾难问题日益突出，导致众多成熟而有效的数据处理方法失效。为此，拓展降维思路，开展创新性的降维方法研究已成为数据处理领域研究的热点和重点。本项目拟在经济管理领域数据语义分析的基础上，提出降维过程中语义的本体表达与智能构建方法，将数据分析的任务语义与维度语义本体化，并建立以本体代数为核心的语义计算方法，借助该方法，将任务本体和维度本体进行语义相似度计算，以达到有效降维的目的。此外，本项目拟在经济管理领域有关行业中进行实证分析，检验所提理论和技术的可行性和有效性。项目研究将解决传统降维方法存在的两大问题：一是只注重数据数学特征，而忽略数据背后所隐含语义的问题；二是降维方法与数据量和样本高度相关而易失效的问题。项目研究成果将为数据降维理论研究开辟新的途径。

5、国家自然科学基金，70771077，基于语义的新一代决策支持系统关键问题研究，2008/01-2010/12，主持。

主要内容：新一代决策支持系统应该是面向语义的。面向语义意指系统运行是由问题语义及其模型语义驱动的，决策者面对不同的问题系统能够根据蕴含其中的不同语义让机器智能地构造相应的问题求解模型并求解；同时,根据模型包含的语义特征使其自主交互，协作化求解。目前在对这种新一代的决策支持系统研究中，问题结构化、问题语义及模型语义的理解与表示、模型构造与协作求解、人机交互的智能性等等问题都是其瓶颈所在，这些问题的背后都有一个共性的问题值得深入研究，就是决策领域内不同的主体（人和机器代理）之间如何表示与理解语义，并在共同的语义基础上对知识进行交互和共享。本项目以本体论为语义表示手段，通过构造决策领域问题描述本体、决策模型本体，规范和明确各类本体的语义及其关系，并在语义网技术支持下，提出实现决策领域内不同主体之间以语义为基础的知识交互与共享的新方法，为新一代决策支持系统研究开辟新的途径。

6、国家自然科学基金，70371054，基于复杂问题结构可计算的决策支持模式研究，2004/01-2006/12，主持。

在研主要国家级项目：

1、国家自然科学基金，72071145，企业知识图谱构建中的开放域知识抽取及可信与时序性研究，2021/01-2024/12，主持。

主要内容：数字经济日益成为经济发展的新动能，人工智能、大数据、云计算等新兴技术正驱动着各行各业数字化转型，数据资产在企业发展过程中日趋重要。目前，企业知识图谱已成为大数据时代下企业数据资产管理，尤其是企业知识管理的重要手段。然而，企业知识图谱构建过程中存在着两个主要的科学问题尚缺乏研究，阻碍着知识图谱上层应用体验效果。一是知识图谱对企业管理知识刻画的准确性难以保证，即可信性问题；二是知识图谱在反映企业管理知识随时间变化上存在明显不足，即时序性问题。为此，本项目拟对知识图谱构建过程中抽取到的知识开展可信性与时序性研究：在可信性方面，从实体、关系、知识图谱全局三个视角，提出一种新的多视角下的知识可信性度量方法；在时序性方面，从判定语料时序上的依存关系视角，提出一种新的基于时间依存分析的知识元组时序映射方法。通过本项目研究，拟为企业知识管理实践探索新的途径，提升企业知识管理水平。

期刊类：

[1] Chen, J., & Xiang, Y. (2022). A robust and anti-forgettiable model for class-incremental learning. Applied Intelligence, 53, 14128 - 14145. (IF=5.019, Q2)

[2] Chen, J., Yuan, S.H., Lv, D., & Xiang, Y. (2021).A novel self-learning feature selection approach based on feature attributions.Expert Syst. Appl., 183, 115219. (IF=8.665, Q1)

[3] Xu, S., & Xiang, Y. (2021). Frog-GNN:Multi-perspective aggregation based graph neural network for few-shot textclassification. Expert Syst. Appl., 176, 114795. (IF=8.665, Q1)

[4] Xu, S., Shijia, E., & Xiang, Y. (2020). Enhancedattentive convolutional neural networks for sentence pair modeling. ExpertSyst. Appl., 151, 113384. (IF=8.665, Q1)

[5] Chen, X., Jia, S., & Xiang, Y. (2020). A review:Knowledge reasoning over knowledge graph. Expert Syst. Appl., 141. (IF=8.665,Q1, ESI高被引)

[6] Chen, X., Jia, S., Ding, L., Shen, H., & Xiang, Y.(2020). SDT: An integrated model for open-world knowledge graph reasoning.Expert Syst. Appl., 162, 113889. (IF=8.665, Q1)

[7] Jia, S., & Xiang, Y. (2019). Hybrid neural taggingmodel for open relation extraction. Expert Syst. Appl., 200, 116951. (IF=8.665,Q1)

会议类：

[1] Jia, S., Ding, L., Chen, X., & Xiang, Y. (2020).Incorporating Uncertain Segmentation Information into Chinese NER for SocialMedia Text. International Workshop on Natural Language Processing for SocialMedia(ACL). (CCF A类)

[2] Yang, L., Shijia, E., Xu, S., & Xiang, Y. (2020).Interactive Knowledge Graph Attention Network for Recommender Systems. 2020International Conference on Data Mining Workshops (ICDM), 211-219. (CCF B类)

[3] Yang, L., Shijia, E., Xu, S., & Xiang, Y. (2020).Bert with Dynamic Masked Softmax and Pseudo Labeling for Hierarchical ProductClassification. MWPD@ISWC(ISWC). (CCF B类)

[4] Xu, S., Shijia, E., Yang, L., & Xiang, Y. (2020).A Pre-trained Matching Model Based on Self- and Inter-ensemble For ProductMatching Task. MWPD@ISWC(ISWC). (CCF B类)

[5] Jia, S., Xiang, Y., Chen, X., Wang, K., & Shijia,E. (2019). Triple Trustworthiness Measurement for Knowledge Graph. The WorldWide Web Conference(WWW). (CCF A类)

[6] Shijia, E., Xu, S., & Xiang, Y. (2018).Incorporating Statistical Features in Convolutional Neural Networks forQuestion Answering with Financial Data. Companion Proceedings of the The WebConference 2018(WWW2018). (CCF A类)

[7] Shijia, E., Yang, L., Zhang, M., & Xiang, Y.(2018). Aspect-based Financial Sentiment Analysis with Deep Neural Networks.Companion Proceedings of the The Web Conference 2018(WWW2018). (CCF A类)

[8] Shijia, E., & Xiang, Y. (2017). Chinese Named EntityRecognition with Character-Word Mixed Embedding. Proceedings of the 2017 ACM onConference on Information and Knowledge Management(CIKM). (CCF B类)