面向文本数据流的动态变分自动编码器及其应用研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61906219
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    27.0万
  • 负责人：
    梁上松
  • 依托单位：
    中山大学
  • 学科分类：
    F0603.机器学习
  • 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

项目摘要

Variational auto-encoder (VAE) has been gaining popularity in machine learning these years. The task of variational auto-encoder is this: given a set of observed variables, infer embeddings, also called representations, of the entities via variational inference techniques. This project aims at tackling challenges in previous VAE models and the task of which is to propose dynamic variational auto-encoders and apply them to address problems in many real-world applications. Specifically, this project aims at achieving these goals: (1) Enable VAEs to work in a dynamic way. (2) Enable VAEs to co-embed multiple categories of entities. (3) Enable VAEs to work with not only continuous but also discrete variables. (4) Let priors and posteriors be assigned to better distributions. (5) Apply the proposed VAEs to a number of tasks and achieve better performance.
变分自动编码器是机器学习领域目前最为热门的研究问题之一。变分自动编码器的任务是，给定观察变量(Observed variables)，推断隐含变量的表征(Embeddings/representations)。本课题拟解决传统变分自动编码器存在的挑战，研究任务是：如何构建动态变分自动编码器并对其进行应用。具体研究子任务包括：(1)实现变分自动编码器的动态化；(2)使得动态自动编码器具备同时推断多种实体的表征的能力；(3)使得动态自动编码器不仅能处理连续变量，同时也能处理离散变量；(4)使得动态自动编码器推断出的表征服从更为合理的分布；(5)把提出的动态自动编码器运用到文本处理的多个任务上，期待其能提高在处理文本任务上的性能。

结项摘要

变分自动编码器是机器学习领域的重要研究算法。变分自动编码器的目标是，给定相关实体信息，推断出实体的语义表征。本项目的主要研究对象是文本数据流信息，主要研究了如下问题：(1) 提出面向文本数据流的动态变分自动编码器；(2) 提出面向文本数据流的可以协同推断多实体的变分自动编码器；(3) 提出基于超球面的变分自动编码器；(4) 提出面向知识图谱的变分自动编码器；(5) 把所提出的变分自动编码器变种算法应用于多个实际应用中，这些应用包括：节点分类、节点链路预测、知识图谱节点关系预测、用户画像、个性化商品检索、网络节点对齐等。项目对所提出的大部分变分自动编码器代码进行开源；项目在理论和应用上均取得了重要研究成果。

项目成果

期刊论文数量（7）
专著数量（0）
科研奖励数量（0）
会议论文数量（3）
专利数量（0）
Cross-Temporal Snapshot Alignment for Dynamic Networks
动态网络的跨时态快照对齐
  • DOI：
    10.1109/tkde.2021.3115669
  • 发表时间：
    2023-03
  • 期刊：
    IEEE Transactions on Knowledge and Data Engineering
  • 影响因子：
    8.9
  • 作者：
    Shangsong Liang;Shaowei Tang;Zaiqiao Meng;Qiang Zhang
  • 通讯作者：
    Qiang Zhang
Dynamic Co-Embedding Model for Temporal Attributed Networks
时间属性网络的动态共嵌入模型
  • DOI：
    10.1109/tnnls.2022.3193564
  • 发表时间：
    2022-07
  • 期刊：
    IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS
  • 影响因子：
    10.4
  • 作者：
    Shaowei Tang;Zaiqiao Meng;Shangsong Liang
  • 通讯作者：
    Shangsong Liang
Learning Dynamic Embeddings for Temporal Knowledge Graphs
学习时态知识图的动态嵌入
  • DOI：
    10.1145/3437963.3441741
  • 发表时间：
    2021-03
  • 期刊：
    Proceedings of the 14th ACM International Conference on Web Search and Data Mining
  • 影响因子：
    --
  • 作者：
    Siyuan Liao;Shangsong Liang;Zaiqiao Meng;Qiang Zhang
  • 通讯作者：
    Qiang Zhang
Profiling Users for Question Answering Communities via Flow-Based Constrained Co-Embedding Model
通过基于流的约束共嵌入模型分析问答社区的用户
  • DOI：
    10.1145/3470565
  • 发表时间：
    2021-11
  • 期刊：
    ACM Transactions on Information Systems
  • 影响因子：
    5.6
  • 作者：
    Shangsong Liang;Yupeng Luo;Zaiqiao Meng
  • 通讯作者：
    Zaiqiao Meng
Hyperspherical Variational Co-embedding for Attributed Networks
属性网络的超球变分共嵌入
  • DOI：
    10.1145/3478284
  • 发表时间：
    2021-12
  • 期刊：
    ACM Transactions on Information Systems
  • 影响因子：
    5.6
  • 作者：
    Jinyuan Fang;Shangsong Liang;Zaiqiao Meng;Maarten de Rijke
  • 通讯作者：
    Maarten de Rijke

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

基于变分持续贝叶斯元学习的推荐算法
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
    计算机科学
  • 影响因子：
    --
  • 作者：
    朱文韬;刘威;梁上松;朱怀杰;印鉴
  • 通讯作者：
    印鉴

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

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