刘华锋

博士、讲师

基本信息

办公电话： 电子邮件： hfliu1@bjtu.edu.cn
通讯地址：北京市海淀区上园村3号北京交通大学第九教学楼北207C 邮编：100044

个人简介

刘华锋，博士。2021年博士毕业于北京交通大学计算机与信息技术学院；2021年至2023年在香港大学数学系/数据科学学院从事博士后研究工作；2023年7月入职北京交通大学计算机与信息技术学院机器学习与认知计算研究所。现为研究生《机器学习》课程负责人，主要研究方向为机器学习、概率生成模型相关理论及其应用。以第一作者或通讯作者身份分别在国际顶级学术期刊 JMLR、IEEE TKDE、IEEE TCSVT、ACM TOIS、SCIS、ACM TKDD，会议 NeurIPS、WWW、IEEE/CVF CVPR、ICCV、AAAI、ACL、ACM MM、EMNLP、ACM CIKM、ACM RecSys以及国内计算机核心期刊《中国科学》、《软件学报》上发表多篇学术论文。相关研究成果获得北京交通大学校级优秀博士学位论文，相应研究综述连续两年（2019/2020）被评为《软件学报》高影响力论文。

教育背景


  • 2017.09-2021.03，北京交通大学计算机与信息技术学院，计算机科学与技术，博士/研究生，导师：景丽萍教授
  • 2015.09-2017.07，北京交通大学计算机与信息技术学院，计算机科学与技术，硕士/研究生（硕博连读），导师：于剑教授
  • 2011.09-2015.07，江西理工大学软件学院，软件工程，学士/本科


工作经历

  • 2023.07-至今，北京交通大学计算机与信息技术学院，讲师
  • 2021.09-2023.06，香港大学数学系/数据科学学院，博士后研究员，合作导师：Michael K. Ng教授（SAIM Fellow，冯康科学计算奖获得者）
  • 2021.04-2023.06，北京交通大学计算机与信息技术学院，师资博士后，联系导师：景丽萍教授（国家优青）
  • 2019.11-2020.09，Hulu北京研发中心，Reserch intern，Mentor：谢晓辉（hulu首席研究主管）
  • 2018.09-2019.01，清华大学智能技术与系统国家重点实验室，访问学者，合作导师：张敏教授

研究方向

  • 计算机技术
  • 人工智能
  • 软件工程
  • 大数据技术与工程
  • 网络与信息安全
  • 机器学习与认知计算

招生专业

  • 计算机技术硕士
  • 网络与信息安全硕士
  • 软件工程硕士
  • 大数据技术与工程硕士
  • 人工智能硕士
  • 计算机科学与技术硕士

科研项目

  • 2024.01-2025.12，不确定性神经随机过程研究（北京市自然科学基金青年科学基金）
  • 2023.01-2025.12，认知计算驱动的不确定性态势感知（装备预研教育部联合基金（创新团队））
  • 2022.01-2025.12，因果驱动的稳定表示学习研究（国家自然科学基金“面上”）
  • 2021.01-2023.01，深度生成模型的可解释性研究（中国科学院光电信息处理重点实验室开放基金）
  • 2021.11-2022.11，面向可解释的鲁棒深度模型关键问题研究（中国人工智能学会-华为MindSpore学术奖励基金）
  • 2021.09-2023.05，基于少量历史应用使用数据的用户活动预测（HKU-TCL联合基金）
  • 2020.07-2021.08，深度概率建模及高效推理算法规划研究——可解释推荐算法研究（教育部人工智能算法战略研究项目）
  • 2019.04-2025.09，可解释学习及其在交通领域中的应用研究（基本科研业务费重点资助项目）
  • 2018.11-2021.12，面向目标识别的可解释性深度学习关键问题研究（国防创新项目）
  • 2018.01-2021.12，融合多源信息的可解释性推荐模型及算法研究（国家自然科学基金“面上”）
  • 2017.07-2019.07，融合社交信息的高效推荐方法研究（基本科研业务费）

论文/期刊

以第一作者或通讯作者身份分别在国际学术期刊与会议JMLR、IEEE TKDE、ACM TOIS、ACM TKDD、IEEE TCSVT、NeurIPS、WWW、CVPR、AAAI、ACL、ACM MM、ICCV、EMNLP、ACM CIKM、ACM RecSys以及国内计算机核心期刊《中国科学》、《软件学报》上发表多篇学术论文。（*为通讯作者）

  • Huafeng Liu, Mingjie Zhou, Mingyang Song, Deqiang Ouyang, Yawen Li,  Liping Jing, Jian Yu, Michael K. Ng. Learning Hierarchical Preferences for Recommendation with Mixture Intention Neural Stochastic Processes. IEEE Transactions on Knowledge and Data Engineering (TKDE), 2024. (CCF A).
  • Huafeng Liu, Liping Jing, Jian Yu. Neural Processes with Stability. NeurIPS, 2023. (CCF A).
  • Huafeng Liu, Mingjie Zhou, Liping Jing, Michael K. Ng. Doubly Intention Learning for Cold-start Recommendation with Uncertainty-aware Stochastic Meta Process. ACM MM, 2023. (CCF A).
  • Huafeng Liu, Liping Jing. Amortized Mixing Coupling Process for Clustering. NeurIPS, 2022: 11714-11725. (CCF A).
  • Huafeng Liu, Liping Jing, Dahai Yu, Mingjie Zhou, Michael K. Ng. Learning Intrinsic and Extrinsic Intentions for Cold-start Recommendation with Neural Stochastic Processes. ACM MM, 2022: 491-500. (CCF A).
  • Huafeng Liu, Jiaqi Wang, Liping Jing, Michael K. Ng. Deep Amortized Relational Model with Group-wise Hierarchical Generative Process. AAAI, 2022: 7550-7447. (CCF A).
  • Huafeng Liu, Jingxuan Wen, Liping Jing, Jian Yu. Leveraging Implicit Social Structures for Recommendation via Bayesian Generative Model. Science China Information Science (SCIS), 65, 148104, 2022. (CCF A).
  • Huafeng Liu, Liping Jing, Jian Yu, Michael K. Ng. Interpretable Deep Generative Recommendation Models, Journal of Machine Learning Research (JMLR), 2021. (CCF A).
  • Huafeng Liu, Liping Jing, Jian Yu, Michael K. Ng. Social Recommendation with Learning Personal and Social Latent Factors, IEEE Transactions on Knowledge and Data Engineering (TKDE), vol. 33, no. 7, 2956-2970, 2021. (CCF A).
  • Huafeng Liu, Jiaqi Wang, Liping Jing. Cluster-wise Hierarchical Generative Model for Deep Amortized Clustering. IEEE/CVF CVPR, 2021: 15109-15118. (CCF A).
  • Huafeng Liu,  Liping Jing, Jingxuan Wen, Pengyu Xu, Jian Yu, Michael K. Ng. Bayesian Additive Matrix Approximation for Social Recommendation. ACM Transactions on Knowledge Discovery from Data (TKDD), vol. 16, no. 1, Article 7, 2021. (CCF B).
  • Huafeng Liu, Jingxuan Wen, Zhicheng Wu, Jiaqi Wang, Liping Jing, Jian Yu. Deep Global and Local Generative Model for Recommendation. TheWebConf (WWW), 2020: 551–561. (CCF A).
  • Huafeng Liu, Liping Jing, Yuhua Qian, Jian Yu. Adaptive Local Low-rank Matrix Approximation for Recommendation. ACM Transactions on Information Systems (TOIS), vol. 37, no. 4, Article 45, October 2019. (CCF A).
  • Huafeng Liu, Jingxuan Wen, Liping Jing, Jian Yu. Deep Generative Ranking for Personalized Recommendation. ACM RecSys, 2019, 34–42. (CCF B).
  • Huafeng Liu, Jingxuan Wen, Liping Jing, Jian Yu, Xiangliang Zhang, Min Zhang. In2Rec: Influence-based Interpretable Recommendation. ACM CIKM, 2019, 1803-1812. (CCF B).
  • Huafeng Liu, Liping Jing, and Miaomiao Cheng. An Efficient Parallel Trust-based Recommendation Method on Multicores, SC workshop on HPGDMP, 2016, 9–16. (CCF A workshop).
  • Jiaqi wang, Huafeng Liu*, Xinyue Wang, Liping Jing*. Interpretable Image Recognition by Constructing Transparent Embedding Space, ICCV, 2021, 895-904. (CCF A).
  • Mingyang Song, Huafeng Liu*, Liping Jing*. Improving Embedding-based Unsupervised Keyphrase Extraction by Incorporating Structural Information. ACL, 2023. (CCF A).
  • Jingxuan Wen, Huafeng Liu*, Liping Jing*. Modeling Preference as Weighted Distribution over Functions for User Cold-start Recommendation. ACM CIKM, 2023. (CCF B).
  • Mingyang Song, Huafeng Liu*, Liping Jing*. Improving Diversity in Unsupervised Keyphrase Extraction with Determinantal Point Process. ACM CIKM, 2023. (CCF B).
  • Jingxuan Wen, Huafeng Liu*, Liping Jing*, Jian Yu. Learning-based Counterfactual Explanations for Recommendation. Science China Information Science (SCIS), 2023 (CCF A).
  • Xiang Wang, Huafeng Liu*, Liping Jing*, Jian Yu. Structure-driven Representation Learning for Deep Clustering. ACM Transactions on Knowledge Discovery from Data (TKDD). 2023 (CCF B).
  • Jiaqi Wang, Huafeng Liu*, Liping Jing*, Transparent Embedding Space for Interpretable Image Recognition. IEEE Transactions on Circuits and Systems for Video Technology (TCSVT), 2023. (CCF B).
  • Mingyang Song, Huafeng Liu*, Liping Jing*. Calibrating Over-Generation for Unsupervised Keyphrase Extraction with Heterogeneous Centrality Detection. EMNLP, 2023. (CCF B).
  • Mingyang Song, Huafeng Liu*, Liping Jing*. HyperRank: Hyperbolic Ranking Model for Unsupervised Keyphrase Extraction. EMNLP, 2023 (CCF B).
  • 刘华锋, 景丽萍, 于剑. 融合社交信息的矩阵分解推荐方法研究综述. 软件学报, 2018,29(2):340-362. (CCF A(中文)).
  • 刘华锋，景丽萍，面向个性化推荐的偏好多样性建模研究进展，中国人工智能学会通讯，特约稿件, 2020, 第2期.


其余论文成果

  • Lin Xiao, Pengyu Xu, Mingyang Song, Huafeng Liu, Liping Jing, Xiangliang Zhang. Triple Alliance Prototype Orthotist Network for Long-Tailed Multi-Label Text Classification. IEEE/ACM Transactions on Audio, Speech, and Language Processing (TASLP), 2023. (CCF B).
  • Pengyu Xu, Mingxuan Xia, Lin Xiao, Huafeng Liu, Bin Liu, Liping Jing. Jian Yu. Textual Tag Recommendation with Multi-tag Topical Attention. Neurocomputing, 2023, 537: 73-84. (CCF C).
  • Xinyue Wang, Liping Jing, Yilin Lyu, Mingzhe Guo, Jiaqi Wang, Huafeng Liu, Jian Yu, Tieyong Zeng. Deep Generative Mixture Model for Robust Imbalance Classification. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2022, vol. 45, no. 3, 2022 (CCF A).
  • Xiaoyi Sun, Huafeng Liu, Liping Jing, Jian Yu. Deep Generative Recommendation Model with Learning to Maximize Reciprocal Rank. KSEM, 2020: 123-130. (CCF C).
  • Zhicheng Wu, Huafeng Liu, Yanyan Xu, Liping Jing. Collaboration Matrix Factorization on Rate and Review for Recommendation. Journal of Database Management (JDM), 2019 Volume 30, Issue 2. (SCI).
  • Xingxing Li, Liping Jing, Huafeng Liu. Adaptive Ensemble Probabilistic Matrix Approximation for Recommendation. PRCV, 2018: 328-339.
  • Xixi Du, Huafeng Liu, Liping Jing, Additive Co-clustering with Social Influence for Recommendation, ACM RecSys, 2017: 193-200. (CCF B)
  • 郝敬宇, 文静轩, 刘华锋, 景丽萍, 于剑. 结合全局信息的深度图解耦协同过滤. 计算机科学, 2023, 50(1): 41-51. (CCF B(中文)). 
  • 徐鹏宇, 刘华锋, 刘冰, 景丽萍, 于剑. 标签推荐方法研究综述. 软件学报, 2022, 33(4): 1244-1266. (CCF A(中文)).
  • 肖琳, 陈博理, 黄鑫, 刘华锋, 景丽萍, 于剑. 基于标签语义注意力的多标签文本分类. 软件学报, 2020, 31(4): 1079-1089. (CCF A(中文)).
  • 孙肖依, 刘华锋, 景丽萍, 于剑. 基于列表级排序的深度生成推荐方法. 计算机研究与发展, 2020, 7(8): 1697-1706. (CCF A(中文)). 
  • 景丽萍, 刘华锋. 面向个性化推荐的偏好多样性建模研究进展. 中国人工智能学会通讯, 2020, 第2期. (特邀稿件)
  • 李幸幸, 刘华锋, 景丽萍. 混合秩矩阵分解模型. 计算机科学与探索, 2019, 13(7): 1114-1122. (CCF B(中文)).
  • 读习习, 刘华锋, 景丽萍. 一种融合社交网络的叠加联合聚类推荐模型. 山东大学学报(工学版), 2018, 48(03): 100-106.


博士学位论文

  • 刘华锋. 概率生成式用户偏好模式挖掘方法研究，北京交通大学, 2021.03.



教学工作


  • 2024.09 - , 本科生课程，《机器学习》，64学时，主讲
  • 2024.09 - , 本科生课程，《机器学习》，32学时，主讲
  • 2024.09 - , 研究生课程，《机器学习》，48学时，主讲
  • 2024.09 - , 研究生课程，《机器学习》，32学时，主讲
  • 2023.09 - 2024.01，本科生课程，《机器学习》，64学时，助课
  • 2017.09 - 2021.01，研究生课程，《机器学习》，64学时，助教


专著/译著

《机器学习》，清华大学出版社（In progress）

《机器学习及智能交通应用》，（In progress）

专利

景丽萍，刘华锋. 一种自适应局部低秩矩阵近似推荐方法，202010349545.9

获奖与荣誉

  • 2023.12，2023年度城市轨道交通科技进步奖二等奖
  • 2022.01，2020年《软件学报》高影响力论文
  • 2021.01，2019年《软件学报》高影响力论文
  • 2021.06，北京交通大学优秀博士学位论文
  • 2019/2020.10，国家奖学金

社会兼职


  • ACM、CCF、CAAI 专业会员.
  • AAAI、IJCAI、ICML、NeurIPS、ICLR、ACM MM、ICCV、CVPR等国际学术会议PC Member，IEEE Transactions on Knowledge and Data Engineering (TKDE)、ACM Transactions on Multimedia Computing (TMC)、IEEE Transactions on Big Data (TBD)、Knowledge and Information Systems (KAIS)等学术期刊审稿人.