面向残缺网络数据的表示学习研究

结题报告

项目介绍

AI项目解读

基本信息

批准号：
61902020
项目类别：
青年科学基金项目
资助金额：
28.0万
负责人：
王铮
依托单位：
北京科技大学
学科分类：
F0202.系统软件、数据库与工业软件
结题年份：
2022
批准年份：
2019
项目状态：
已结题
起止时间：
2020-01-01 至2022-12-31

项目参与者：
--
关键词：
图挖掘社交网络分析社交媒体

项目摘要

Network is a form of informal mergers among different types of organizations. In the era of big data, network research faces many challenges, such as large data volumes and structural complexity. Artificial intelligence is considered as one of the most possible solutions to these challenges. One fundamental problem is network representation learning, i.e., learning a low-dimensional dense vector for each node in the network. These learned node representations (i.e., features) enable the design of fast and efficient machine learning algorithms without considering the original network structure...However, existing network representation learning methods all assume that network data is complete. However, this assumption is hard to satisfy in real-world applications. In this project, we consider network representation learning with defective network. Specifically, we first study three types of defective network data: defective network structures, defective node attributes and defective edge weights. Then, we jointly consider these three defective cases in a unified framework. Finally, we will optimize our solutions and release a practical defective network data representation learning system. At present, the study of network representation learning with defective network data is limited. This is the first study to explore this issue.

网络是描述物体和物体间联系的一种重要形式。在大数据时代，网络数据的研究面临诸多挑战，比如大规模性和结构复杂性等。人工智能技术被认为是解决以上挑战的最佳途径之一。这其中一个非常基础的问题就是网络表示学习问题，即为网络中的每一个节点都学习得到低维稠密的实数向量。这些学习得到的节点表示（特征）使得可以快速高效的算法设计成为可能，而不必再去考虑原本的网络结构。.然而，已有的网络表示学习算法都要求所处理的网络是完整的。然而，在真实的网络应用中，这很难得到保证。本项目计划开残缺网络数据下的表示学习研究。具体来说，本项目将首先分别对网络结构残缺、节点属性残缺以及边权重缺失这三类残缺网络数据进行研究。然后，深入研究这三类残缺数据的整合问题。最后，项目将进一步优化所给出的解决方案，设计并发布一个完整的残缺网络数据表示学习系统。目前研究残缺网络数据下的表示学习工作比较匮乏，本项目是首个系统探讨这一问题的工作。

结项摘要

网络是描述物体和物体间联系的一种重要形式。在大数据时代，网络数据的研究面临诸多挑战，比如大规模性和结构复杂性等。人工智能技术被认为是解决以上挑战的最佳途径之一。这其中一个非常基础的问题就是网络表示学习问题，即为网络中的每一个节点都学习得到低维稠密的实数向量。这些学习得到的节点表示（特征）使得可以快速高效的算法设计成为可能，而不必再去考虑原本的网络结构。然而，已有的网络表示学习算法都要求所处理的网络是完整的。然而，在真实的网络应用中，这很难得到保证。本项目针对残缺网络数据下的表示学习研究。具体来说，本项目重点关注网络标注不平衡、网络节点属性残缺以及网络结构残缺这三类残缺网络数据进行研究。相关研究成果全部以第一作者身份发表7篇论文（其中CCF-A类论文2篇），并获得一个授权技术发明专利和一个软件著作权。目前研究残缺网络数据下的表示学习工作比较匮乏，本项目是首个系统探讨这一问题的工作。本项目的研究成果，可以进一步应用到网络的诸多应用，比如社交网络舆情治理、推荐系统、物联网、智能制造等。此外，对于探索新的图学习技术、解决低质量标签场景下的图学习算法的有效性等问题具有重要的理论意义。.