支持协同工作国际会议 – The ACM International Conference on Supporting Group Work (Group 2018)于 2018年1月7日至1月10日在美国佛罗里达州的萨尼贝尔岛召开. 该会议是计算机支持的协同计算、人机交互领域的顶级会议，已有25年的举办历史，会议在2018年的文章录用率为23.4%。

实验室在该会议上发表了论文《Modeling User Intrinsic Characteristic on Social Media for Identity Linkage》，并由余贤棋同学作为代表在会议上为文章做了口头报告。该工作主要针对的问题是基于用户在社会化媒体中的带话题行为来解决用户身份关联问题。随着互联网与移动智能的高速发展，社会化媒体逐渐成为人们生活中必不可少的一部分。用户的许多个人信息、行为信息等都被公开在各个社会化媒体平台上。个人信息的泄漏为基于数据分析的许多应用场景提供了入口。例如用户的行为信息可以被用来挖掘用户的内在特征如兴趣爱好和政治倾向等，这些特征可以被用来为用户做内容推荐、广告投放以及身份识别和追踪等。本篇文章试图通过用户在社会化媒体上的行为来挖掘用户的偏好特征，进而更好地解决用户身份关联问题，即关联来自不同资源却属于同一个人的多个账号。更具体地说，我们关注的是基于用户带有话题行为的用户身份关联问题。我们提出了一种表示学习的方法，将一个话题建模成一个潜在的空间中的向量，从而解释它的深层语义。然后，根据用户与话题的交互行为，将用户建模为一个内在特征向量。话题的向量表示是通过优化一个联合目标来学习得到的，其中包括: 具有相似语义的话题之间的兼容性，话题区分用户身份的能力，以及来自两个数据集中相同用户的内在特征的一致性。在真实数据集上的实验结果验证了本文提出方法的有效性，身份关联的准确率结果表明，我们的方法明显优于相关的对比方法。