面向多标签网络的嵌入式表示、对齐及其应用研究

Representation learning of networks has become an important research issue in the field of artificial intelligence. In real world networks, the relations between nodes (entities) are usually annotated by various labels, representing different semantic meanings. And the representation learning of multi-relational networks is key to organize or utilize the information carried in networks. This project studies the key technologies of representation learning, alignment and applications for multi-relational networks. In detail, to overcome the limitations of hard constraints used in the conventional methods, we propose two novel representation learning approaches. One is designed for static networks, which adopts a probabilistic learning to maintain the basic structures in networks, the other is an incremental learning approach for dynamic multi-relational networks. Then, the aforementioned representation learning approaches combined with a similarity measurement form the alignment method to connect multiple networks. Finally, a joint modeling framework, which leverages on the network alignment and representation learning for specific domain, is studied by taking the social network point of interest recommendation as an example. Overall, we expect to provide a set of effective theories and methods to the study of multi-relational networks.

网络表示学习已经成为人工智能领域的一个重要研究课题。现实网络中节点（实体）之间的关系往往被多种标签标识定义以彰显不同的关系类型，这种多标签复杂网络的表示学习对于信息的整理和利用具有重要意义。本项目研究面向多标签网络的表示、对齐和应用的关键技术，具体包括：克服已有方法的强约束局限性，研究面向静态网络的基于网络基本结构的概率式嵌入表示方法，同时研究面向动态多标签网络的增量式表示方法以避免大规模多标签网络频繁更新带来的计算开销。进而将这种嵌入式表示与相似性度量相结合，形成多标签网络的对齐方法，最终以社交网络的兴趣点推荐为例，研究多标签网络表示与对齐在垂直领域应用的联合建模方法。最终，通过本项目的研究，为面向多标签网络的嵌入式表示、网络对齐与知识融合及其应用提供一套有效的理论和方法。

网络表示学习、有时也称图表示或图嵌入学习，已经成为人工智能领域的一个重要研究课题。现实网络中节点（实体）之间的关系往往被多种标签标识定义以彰显不同的关系类型（也称为异质图），这种多标签复杂网络的表示学习对于信息的整理和利用具有重要意义。本项目研究面向多标签网络的表示、对齐和应用的关键技术，通过充分分析当前多标签网络表示学习的研究现状，依据大规模真实数据，提出了一系列网络嵌入表示方法，以及面向网络对齐、社交网络分析，序贯决策任务的表示学习方法和任务模型，包括：（1）提出一系列的多关系、单关系图嵌入模型、克服前期TransX模型的强约束，以及一般GCN无法形成有效的关系表示的缺点，从理论分析和实验验证我们所提出来的网络表示模型的有效性及其在下游任务上的可行性；（2）提出一系列基于节点/关系向量化表示的图对齐模型，在多图的统一嵌入空间中，利用少量的锚节点或锚关系信息完成全图的对齐任务，为单关系网络和多关系网络分别设计了相应的模型和算法，并在真实图数据中进行了有效性验证。（3）提出一系列基于表示学习与知识嵌入的兴趣地点预测模型包括：基于群体和个体倾向的地点预测模型、基于地点类别层级知识嵌入的下一兴趣点预测模型。通过实验验证了我们所提出来的基于表示学习模型助力下游任务的思想的有效性和可行性；（4）在序贯决策中引入鲁棒的表示学习的思想，分别开发了基于嵌入MDP和鲁棒状态表示的强化学习模型，并在经典序贯决策任务上进行了验证，进一步阐明表示学习方法的有效性。 最终，通过本项目的研究，为面向多标签网络的嵌入式表示、网络对齐与知识融合及其下游应用提供一套有效的理论和方法。.本项目在国际期刊和国际会议发表学术论文20篇：其中CCF A/B/SCI一区国际会议期刊论文11篇，包括：CCF A类国际会议AAAI、IJCAI；CCF推荐B类著名国际会议ECML-PKDD、CCF A类国际期刊ACM TOIS、IEEE TKDE等，此外申请国家发明专利8项，出版《网络表示学习技术及应用》专著一部。

内容获取失败，请点击重试