复杂异质网络化数据的建模理论与挖掘方法

20201025

信息传输、软件和信息技术服务业

基础理论

论文

不转让

异质信息网络的聚类分析研究

国家科技计划

与院校合作

北京大学;中国人民大学

在万物互联的时代，复杂交互系统无处不在，形成了复杂异质的网络化数据。这些数据具有的类型异质、关联复杂等特点，对传统的数据处理技术提出了极大挑战。如何从这些复杂异质的网络化数据中进行知识发现成为了人工智能和数据科学面临的至关重要的任务。针对复杂异质网络化数据处理面临的数据组织和知识表示难题，申请人从建模理论、知识表示、模式挖掘三个层面进行了系统深入的研究，取得了如下的创新性成果。

1. 提出异质信息网络建模理论与语义分析方法。当前广泛采用的同质网络建模方法忽略实际系统的丰富类型和语义关系，造成了信息损失。提出异质信息网络（简称异质网络）建模理论，深入揭示交互系统的复杂关联关系。设计基于规则化的双向随机游走模型，提出异质网络中任意对象对的相似性度量方法，解决不同类型节点相似性度量问题。采用异质网络建模推荐系统，构建基于语义路径的个性化推荐模型，缓解推荐的冷启动难题，并提供基于路径语义的推荐理由。
2. 提出基于元路径的异质网络表示学习方法。异质网络蕴含丰富的结构和语义知识，当前网络表示学习方法忽略了实际网络的异质性。深入剖析网络结构的异质性对特征表示的影响，提出基于元路径的随机游走策略解决节点的异质性，提供异质网络表示学习的基本思路。构建推荐系统的三元交互模型，提出基于协同注意力机制的深度网络模型学习节点和元路径的特征表示，实现深度网络与异质结构信息的有效融合。
3. 提出面向复杂网络数据的信息传播挖掘方法。深入探索了网络结构对信息传播的影响，设计基于动态规划的社群影响力组合优化计算方法，并从理论上严格证明了求解精度的近似性，推动影响力最大化算法的实用化；在国际上较早把深度学习理论引入网络交通流预测领域，提出了多任务深度预测模型，实现对复杂网络交通流演变模式的深度特征表达，通过引入多任务学习机制实现大规模路网多变量协同预测。 本项目的研究成果在CCF A/B类知名期刊和会议发表论文50余篇，Google总引用5000多次；5篇代表作Google总引用次数1485，SCI他引次数485次，2篇入选ESI前1%高被引论文，单篇最高SCI他引271次。2017年在Springer出版了第一本全面反映异质网络研究进展的学术专著《Heterogeneous Information Network Analysis and Applications》（下载量达9972次）。论文得到包括美国三院院士Jon Kleinberg和Jiawei Han、Philip Yu、杨强等IEEE/ACM Fellow在内的上百名国际知名学者的正面评价。申请人将复杂异质网络分析技术在电子商务和智能交通等领域进行深入应用，取得了显著的经济和社会效益。