个人简介
刘琼昕，女，博士，副教授，硕士生导师。1996 年 7 月起在北京理工大学计算机学院工作至今。研究方向包括：人工智能、机器学习、知识图谱、任务规划相关技术，主持和参与多项科技部科技支撑项目、863 重大科研项目、自然科学基金、部委科技预研项目等，取得多项创新性成果。主讲本科生专业必修课《离散数学》、《机器学习》。
所获奖励
分布式数据存储访问与安全技术. 2011年获部委科技进步三等奖
辅助决策技术. 2001年获部委科技进步三等奖
研究领域
1. 知识图谱
使用深度学习等方法研究知识推理、关系抽取等知识图谱构建的关键技术，研究知识图谱在多个领域的应用，包括搜索、推荐、问答等。
2. 基于AI的任务规划及相关技术
针对复杂环境约束、任务约束和目标约束，应用群体智能方法（遗传算法、蚁群算法、粒子群算法等），研究多目标优化问题中协同任务分配、高维多目标规划、资源受限任务调度等关键技术。
近期论文
查看导师最新文章
（温馨提示：请注意重名现象，建议点开原文通过作者单位确认）
Curriculum learning for distant supervision relation extraction[J]. Journal of Web Semantics, 2020, 61-62(Feb):100559. DOI：10.1016/j.websem.2020.100559.
Distant Supervised Relation Extraction with Position Feature Attention and Selective Bag Attention. Neurocomputing（已录用）
基于全局覆盖机制与表示学习的生成式知识问答技术[J/OL].自动化学报:1-14[2021-05-08].https://doi.org/10.16383/j.aas.c190785.
Panoramic video stitching of dual cameras based on spatio-temporal seam optimization[J]. Multimedia Tools and Applications, 2020, 79(5):3107-3124.
一种融合实体关联性约束的表示学习方法[J].北京理工大学学报,2020,40(01):90-97.
基于知识增强的深度新闻推荐网络[J].北京理工大学学报,2021,41(03):286-294.
复杂网络下基于路径选择的表示学习方法[J].北京理工大学学报,2020,40(03):282-289.
An Advanced Load Balancing Strategy for Cloud Environment[C]// International Conference on Parallel & Distributed Computing. IEEE, 2017.
一种基于实体关联性约束的表示学习方法[P]. 北京市：CN108647258B,2020-12-22.
一种基于知识表示学习的协同矩阵分解方法[P]. 北京市：CN108804565B,2021-04-13.
京公网安备 11010802027423号