权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

大規模アーカイブデータの時系列データマイニングとオブジェクト検索に関する研究

大规模档案数据时序数据挖掘与对象检索研究

基本信息

批准号：
16J03128
负责人：
ZHANG YATING
金额：
$ 1.22万
依托单位：
Kyoto University
依托单位国家：
日本
项目类别：
Grant-in-Aid for JSPS Fellows
财政年份：
2016
资助国家：
日本
起止时间：
2016-04-22 至 2018-03-31
项目状态：
已结题

来源：
https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-16J03128/
关键词：
Object Search Relationship Search Text Archive Heterogeneous Domain Causality Relationship

项目摘要

Large-scale text archive data are prevalent in many areas including informatics, computational social science and finance. In this research project, it is aimed at establishing fundamental methodologies for supporting object search as well as relationship search in text archive data. The achievements of each research problem are listed as below:1. Detecting Semantically Similar Terms across Different Domains. We addressed the problem of terminology gap in object search and proposed a series of techniques and published our work in Journal TKDE2016, WWW2017, Deim2017 and the upcoming Tutorial at PAKDD2017.2. Explaining Similarities between Terms in Semantic Vector Spaces. We proposed several unsupervised methods to approach this problem and the results are published in IEEE BigData2016.3. Detecting Cause-Effect Relationships in Text Archive. We investigate how the objects change and what are the effects of these changes. The achievements are published in WWW2016 and Journal TOIS2016.To sum up, we have conquered several search problems and lowered the accessibility barriers for average users to perform search and understand text archive data. Our methodologies can aid with education objectives to let young generations learn more about knowledge unknown to them such as knowledge about the past. Furthermore, our research works provide computational support for sociologist and historians enabling to construct machines which can automatically examine historical data and generate easy-to-understand results.

大规模文本档案数据在信息学、计算社会科学和金融等许多领域都很普遍。在这个研究项目中，旨在建立支持文本档案数据中的对象搜索和关系搜索的基本方法。各研究问题取得的成果如下： 1．检测不同域中语义相似的术语。我们解决了对象搜索中的术语差距问题，提出了一系列技术，并将我们的工作发表在期刊 TKDE2016、WWW2017、Deim2017 以及即将推出的 PAKDD2017.2 教程上。解释语义向量空间中术语之间的相似性。我们提出了几种无监督方法来解决这个问题，结果发表在 IEEE BigData2016.3 中。检测文本档案中的因果关系。我们研究对象如何变化以及这些变化的影响是什么。成果发表在WWW2016和TOIS2016期刊上。综上所述，我们攻克了多个搜索问题，降低了普通用户执行搜索和理解文本档案数据的可访问性障碍。我们的方法可以帮助实现教育目标，让年轻一代了解更多他们不知道的知识，例如关于过去的知识。此外，我们的研究工作为社会学家和历史学家提供计算支持，使他们能够构建能够自动检查历史数据并生成易于理解的结果的机器。