基于大数据的社会行为预测理论和关键技术

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    U1836107
  • 项目类别：
    联合基金项目
  • 资助金额：
    66.0万
  • 负责人：
    叶允明
  • 依托单位：
    哈尔滨工业大学
  • 学科分类：
    F0202.系统软件、数据库与工业软件
  • 结题年份：
    2021
  • 批准年份：
    2018
  • 项目状态：
    已结题
  • 起止时间：
    2019-01-01 至2021-12-31

项目摘要

This project formalizes the problem of prediction of macro social behavior as the sub-problems of representation learning, salient subgraph discovery and its evolution prediction in sequential multi-relational attributed graph, which responses to the research topic of ‘Social Behavior Prediction Based on Big Data’ for NSFC-GENERTEC joint funding. This project will firstly build a sequential multi-relational attribute graph to model the big behavior data and then mainly focus on the following research problems: (1) representation learning for big behavior data, so as to precisely embed the graph into continuous vector space; (2) anchor user prediction, which aims to fuse user profile from different platforms; (3) salient macro social behavior discovery for detection of macro social behaviors; and (4) evolution modeling and prediction of subgraph. The innovative aspects of the project are: (1) a meta-path and regularization based sequential multi-relational attribute graph embedding model; (2) a semi-supervised and GAN based anchor link prediction model; and (3) a salient sub-modular identification model from sequential multi-relational attribute graph and a macro behavior evolution model based on multiple interdependent GRUs with reinforcement learning.
针对本联合基金项目指南中的“基于大数据的社会行为预测理论和关键技术”研究方向，本课题将“基于跨媒介大数据的群体社会行为演变预测”的应用问题转化为“基于时序多关系属性图的表示学习、显著性子图发现及子图演化预测”的研究问题，用时序多关系属性图来描述动态的跨媒介行为大数据，在此基础上着重研究以下内容：(1) 跨媒介行为大数据表示学习方法，用于时序多关系属性图的精准再表示；(2)跨媒介锚用户预测方法，用于关联、匹配不同媒介上的用户帐号；（3）时序多关系属性图上的显著子图发现算法，用于群体社会行为的发现；（4）子图演化预测算法，用于群体社会行为的动态建模和演化预测。该课题的创新在于：(1)基于元路径和正则约束的时序多关系属性图表示学习模型；(2)基于半监督学习和生成对抗网络的锚用户预测模型；(3)时序多关系属性图的显著子图发现模型和基于多GRU连接网络强化学习的子图演化模型。

结项摘要

随着社会化媒体、社交网络、自媒体等技术的普及应用，散布在不同媒介平台上的跨媒介大数据蕴含着重要的信息，如何有效地挖掘跨媒介大数据中的社会行为逐渐成为社会管理、公共安全等领域的重要研究问题。因此，本项目以基于跨媒介大数据的用户社会行为演变预测问题为核心展开研究。本项目在分析群体社会行为的多关系、多属性与时间序列等方面特征的基础上，重点研究基于时序多关系属性图的表示学习模型，以及该模型下的相关算法。课题的主要研究成果包括：基于泛化张量积的多关系图卷积网络算法、基于网络嵌入的锚用户一致性匹配算法、基于自注意力机制的多变量时间序列分类算法、基于正则逻辑规则约束的表示学习与用户情感特征识别算法、基于知识约束胶囊注意力网络的层次情感分析算法、基于级联SEIRD网络的大数据疫情演变预测算法等。本课题在属性图表示学习、用户社会行为预测等模型和算法方面的研究成果可应用于舆情分析与监测、疫情演变预测、社会网络分析等应用中。基于本课题的相关研究成果，已在包括IJCAI、ACL、IEEE Transactions等重要国际学术会议或国际期刊上发表了一系列论文。

项目成果

期刊论文数量（9）
专著数量（0）
科研奖励数量（0）
会议论文数量（10）
专利数量（1）
Discriminative distribution alignment: A unified framework for heterogeneous domain adaptation
判别性分布对齐：异构域适应的统一框架
  • DOI：
    10.1016/j.patcog.2019.107165
  • 发表时间：
    2020-05
  • 期刊：
    Pattern Recognition
  • 影响因子：
    8
  • 作者：
    Yao Yuan;Zhang Yu;Li Xutao;Ye Yunming
  • 通讯作者：
    Ye Yunming
A memory network based end-to-end personalized task-oriented dialogue generation
基于记忆网络的端到端个性化任务导向对话生成
  • DOI：
    10.1016/j.knosys.2020.106398
  • 发表时间：
    2020-08
  • 期刊：
    Knowledge-Based Systems
  • 影响因子：
    8.8
  • 作者：
    Zhang Bowen;Xu Xiaofei;Li Xutao;Ye Yunming;Chen Xiaojun;Wang Zhongjie
  • 通讯作者：
    Wang Zhongjie
MLCE: A Multi-Label Crotch Ensemble Method for Multi-Label Classification
MLCE：一种用于多标签分类的多标签 Crotch 集成方法
  • DOI：
    10.1142/s021800142151006x
  • 发表时间：
    2020-10
  • 期刊：
    International Journal of Pattern Recognition and Artificial Intelligence
  • 影响因子：
    1.5
  • 作者：
    Yuan Yao;Yan Li;Yunming Ye;Xutao Li
  • 通讯作者：
    Xutao Li
Sentiment analysis through critic learning for optimizing convolutional neural networks with rules
通过批评学习进行情感分析，用规则优化卷积神经网络
  • DOI：
    10.1016/j.neucom.2019.04.038
  • 发表时间：
    2019
  • 期刊：
    Neurocomputing
  • 影响因子：
    6
  • 作者：
    Zhang Bowen;Xu Xiaofei;Li Xutao;Chen Xiaojun;Ye Yunming;Wang Zhongjie
  • 通讯作者：
    Wang Zhongjie
Multisource Heterogeneous Domain Adaptation With Conditional Weighting Adversarial Network
具有条件加权对抗网络的多源异构域适应
  • DOI：
    10.1109/tnnls.2021.3105868
  • 发表时间：
    2020-08
  • 期刊：
    IEEE Transactions on Neural Networks and Learning Systems
  • 影响因子：
    10.4
  • 作者：
    Yuan Yao;Xutao Li;Yu Zhang;叶允明
  • 通讯作者：
    叶允明

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

HNBC: Hierarchical Neighborhood-Based Clustering for Rare Events
HNBC：稀有事件的基于分层邻域的聚类
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    计算机科学
  • 影响因子：
    --
  • 作者：
    叶允明
  • 通讯作者：
    叶允明
MultiVCRank With Applications to Image Retrieval
MultiVCRank 及其在图像检索中的应用
  • DOI：
    10.1109/tip.2016.2522298
  • 发表时间：
    2016
  • 期刊：
    IEEE Transactions on Image Processing
  • 影响因子：
    10.6
  • 作者：
    Li Xutao;叶允明;Ng Michael K.
  • 通讯作者：
    Ng Michael K.
Parallel Multiple Nonnegative matrices Factorization using Graphics processing unit
使用图形处理单元并行多个非负矩阵分解
  • DOI：
    --
  • 发表时间：
    2016
  • 期刊：
    ICIC Express Letters
  • 影响因子：
    --
  • 作者：
    黄晓辉;Xin Fu;熊李艳;叶允明
  • 通讯作者：
    叶允明
Feature Weighting Random Forest for Detection of Hidden Web Search Interfaces
用于检测隐藏网络搜索界面的特征加权随机森林
  • DOI：
    10.30019/ijclclp.200812.0001
  • 发表时间：
    2008-12
  • 期刊：
    International Journal of Computational Linguistics and Chinese Language Processing.
  • 影响因子：
    --
  • 作者：
    叶允明
  • 通讯作者：
    叶允明
Dynamic Clustering Forest: An ensemble framework to efficiently classify textual data stream with concept drift
动态聚类森林：一种集成框架，可通过概念漂移对文本数据流进行有效分类
  • DOI：
    10.1016/j.ins.2016.03.043
  • 发表时间：
    2016
  • 期刊：
    Information Sciences
  • 影响因子：
    8.1
  • 作者：
    Song Ge;叶允明;Zhang Haijun;Xu Xiaofei;Lau Raymond Y. K.;Liu Feng
  • 通讯作者：
    Liu Feng

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

叶允明的其他基金

基于非欧空间的时空属性图预测方法研究
  • 批准号：
  • 批准年份：
    2022
  • 资助金额：
    53 万元
  • 项目类别：
    面上项目
基于非欧空间的时空属性图预测方法研究
  • 批准号：
    62272130
  • 批准年份：
    2022
  • 资助金额：
    53.00 万元
  • 项目类别：
    面上项目
异构多属性网络的多视图聚类关键技术研究
  • 批准号：
    61572158
  • 批准年份：
    2015
  • 资助金额：
    64.0 万元
  • 项目类别：
    面上项目
多关系图的多类标分类关键技术研究
  • 批准号：
    61272538
  • 批准年份：
    2012
  • 资助金额：
    80.0 万元
  • 项目类别：
    面上项目
特定主题社会化媒体内容的动态识别关键技术研究
  • 批准号：
    61073195
  • 批准年份：
    2010
  • 资助金额：
    30.0 万元
  • 项目类别：
    面上项目
基于增量学习的主题爬虫关键技术研究
  • 批准号：
    60603066
  • 批准年份：
    2006
  • 资助金额：
    26.0 万元
  • 项目类别：
    青年科学基金项目

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码