面向大规模演化异质信息网络的未知关系学习与推理研究

Evolving heterogeneous information networks are powerful and expressive representations of general real-world interactions between different kinds of entities in diverse domains, which form a critical component of big data information infrastructure. To develop a set of new theory and algorithms that may realize deep semantic understanding of evolving heterogeneous information networks has become one of the most pressing issues. This project aims to establish the representation theory of low-dimensional embedding that preserves certain semantic logic and make a breakthrough on the computational bottleneck of Markov logic and deep networks. This will help overcome the challenge of structure dynamic evolution in complex data. We will study the dynamic structure model of evolving data that lays the theoretical foundation for efficient relation learning and inference. Moreover, we will explore key techniques such as the collective detection of evolving data, adaptive learning and probabilistic inference. Furthermore, we will develop a prototype system and perform validation with a practical example. By providing the theoretical technologies with independent intellectual property rights, the research results are expected to be efficient in solving problems such as the joint modeling of logic, low-dimensional embedding and deep networks. Its potential in enhancing the efficiency and accuracy of inference is of high academic value. Meanwhile, it will effectively improve the potential of decoding the deep semantic information from big data and achieving new insights, thus offering wide application prospects.

演化异质网络是现实世界不同领域中不同类型网络实体彼此交互的强有力的表达方式，也是大数据信息基础设施的重要组成部分，研究一套全新的理论和算法实现演化异质信息网络的深度语义理解成为当前大数据分析亟待解决的难题。本项目旨在建立保持语义逻辑的低维嵌入表示理论，突破马尔科夫逻辑和深层网络模型的计算瓶颈，克服复杂数据的结构动态演化难题。具体研究内容：首先，研究演化异质网络的动态结构模型，奠定高效关系推演与预测的理论基础；其次，研究演化数据的协同感知、自适应学习和概率推理关键技术；最后，研发原型平台和开展实例验证，验证提出的理论和关键技术。通过提供具有自主知识产权的理论技术，本项研究尝试从科学角度回答能否针对演化异质网络有效解决逻辑、低维嵌入和深层网络的联合建模问题，以及推理效率和准确率问题，具有重要的学术价值；将有效提升从海量数据中“破译”深层次语义信息的潜能和获取新的洞察力，具有非常广阔的应用前景。

演化异质网络是现实世界不同领域中不同类型网络实体彼此交互的强有力的表达方式，也是大数据信息基础设施的重要组成部分，研究一套全新的理论和算法实现演化异质信息网络的深度语义理解成为当前大数据分析亟待解决的难题。本项目旨在建立保持语义逻辑的低维嵌入表示理论，突破马尔科夫逻辑和深层网络模型的计算瓶颈，克服复杂数据的结构动态演化难题。具体研究内容：首先，研究深层网络与原型学习的联合建模，充分考虑演化数据流概念漂移、概念演化以及特征演化的特性，打破现有深度学习技术不能充分利用非平稳环境信息和重复学习全部数据的常规；其次，研究异质网络结构信息启发的演化数据流新增实体/关系学习方法，建立从局部演化到全局寻优的协同感知新范式，研究时间敏感的自适应表示学习方法，有效利用演化异质网络中关系对所连实体在不同时刻上的语义约束特征，研究保持语义逻辑的高效低维向量空间推理机制，有效弥补拓扑结构与低维嵌入之间在演化关系推理问题中的语义鸿沟，达到优势互补的目的。最后，以家庭健康管理为切入点，基于高质量门诊/住院电子病历、医学教科书、医学专著、医学指南、病例报告等多源异构医学数据，构建医学知识图谱，开展轮询问诊的企业实践，将所研发的异质信息网络未知关系学习与推理模块应用于家庭健康管理原型平台，通过发现潜在疾病的演化规律，推理患者病情并预测疾病类型，实现糖尿病、呼吸道疾病等常见疾病的辅助诊断。通过提供具有自主知识产权的理论技术，本项研究尝试从科学角度回答能否针对演化异质网络有效解决逻辑、低维嵌入和深层网络的联合建模问题，以及推理效率和准确率问题，具有重要的学术价值；可以有效提升从时空动态演化数据中“破译”深层次语义信息的潜能和获取新的洞察力，将为复杂问题演变过程的机理认知和风险预测提供有力技术支撑，具有非常广阔的应用前景。

内容获取失败，请点击重试