基于图的多源大数据融合模型与方法研究

关注

联系合作

成果单位：北京建筑大学

合作方式：面议

所处阶段：其他

关键词：社交网络建筑信息模型BIM数据国家重点工程图凸边理论半监督融合扩散式计算跨网络学习BIM切片模型

成果评价

总得分（满分100）

资本强度（满分0）

该成果得分：0

项目负责人

周小平

查看详情

所在机构：

北京建筑大学

小果解读

核心问题

多源大数据融合面临数据本地化和碎片化的问题，导致大数据价值难以充分发挥。关联数据实体识别是实现多源大数据融合的关键，但传统方法存在健壮性不足、先验实体获取难等痛点，限制了大数据融合的效果和应用范围。

解决方案

本项目组从图的角度出发，提出了基于图的半监督和无监督关联数据实体识别模型及其快速求解方法。首先，基于图的网络凸边理论，揭示了数据实体在不同数据源中关系形成机理。其次，设计了基于扩散式的半监督数据融合模型及快速计算方法，以及基于跨网络表示学习的关联数据实体挖掘模型，解决了数据融合方法健壮性不足和先验实体获取难等问题。最后，针对BIM数据，提出了基于图论的BIM数据切片模型和并行计算框架，实现了BIM数据的高效计算和融合。

竞争优势

本项目成果具有显著的创新性和实用性，解决了多源大数据融合中的关键问题，提高了数据融合的准确性和效率。项目成果在社交网络和建筑信息模型（BIM）等数据中进行了应用实践，取得了极大的经济和社会效益。此外，项目发表多篇高水平论文，出版著作，授权国家发明专利，具有强大的学术影响力和技术实力。项目成果在多个国家重点工程进行了落地应用，展现了广泛的应用前景和市场竞争优势。

成果描述

成果公开日期

20211104

所属产业领域

信息传输、软件和信息技术服务业

成果类型

基础理论

成果体现形式

论文

转化意向范围

允许出口

项目名称

面向大型社会网络融合的关联用户挖掘模型与方法

项目课题来源

国家科技计划

研究形式

独立研究

摘要

全面实施国家大数据战略是建设网络强国、数字中国、智慧社会的重要途经，将助力中国经济从高速增长转向高质量发展。多源大数据融合是解决数据本地化和碎片化的关键问题，是提升大数据价值的重要基础。关联数据实体是不同数据源中描述同一物理实体的数据，关联数据实体识别是实现多源大数据融合的重要途径。项目组从图的角度提出了半监督和无监督关联数据实体识别模型及其快速求解方法，并在社交网络和建筑信息模型（BIM）等数据中进行了应用实践。主要创新成果如下：

针对现实世界大数据的复杂性，提出了基于图的网络凸边理论，从多边形角度拓展了网络聚类系数和中心性的定义，设计了基于多边形的网络聚类系统及中心性快速计算算法，给出了“好友悖论”的新解释。从图的角度揭示数据实体在不同数据源中关系形成机理，给出了数据实体在不用数据中随机网络形成模型。
提出了一种基于图的半监督数据融合模型及基于扩散式的快速计算方法，解决了基于文本内容等的数据融合方法健壮性不足和先验实体获取难等问题。建立了一种基于跨网络表示学习的关联数据实体挖掘模型，设计了基于k-近邻的快速计算算法，解决了半监督数据融合模型性能高度依赖于先验关联数据实体的问题。
提出了基于图论的BIM数据切片模型，发明了首个面向BIM的并行计算框架，解决了BIM数据计算可扩展性的问题。提出了基于BIM的室、内外路网融合，BIM和GIS数据融合和跨阶段BIM数据融合等方法，突破了面向BIM的空间数据融合技术，拓展了大数据融合理论及应用场景。项目发表SCI/EI论文25篇，出版著作2部，授权国家发明专利5项。项目成果在多个国家重点工程进行了落地应用，取得极大的经济和社会效益。