基于概率语义分析的多关系图多类标分类方法研究

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61502177
  • 项目类别：
    青年科学基金项目
  • 资助金额：
    21.0万
  • 负责人：
    吴庆耀
  • 依托单位：
    华南理工大学
  • 学科分类：
    F0205.网络与系统安全
  • 结题年份：
    2018
  • 批准年份：
    2015
  • 项目状态：
    已结题
  • 起止时间：
    2016-01-01 至2018-12-31

项目摘要

With the prevalent of social media and mobile Internet applications, the problem of multi-label classification of the nodes in the heterogeneous information networks which consist of multiple types of relationships between nodes has became one of the most important research issues in the domain of data mining and social network analysis. The key difficulties of this issue lie in: there is only limited number of labeled nodes in the networks, and thus it is crucical to use both labeled and unlabeled data together to exploit the correlations of nodes and labels simultaneous to enhance the classification performance. To tackle this issue, we proposed the following research contents: (1) meta-path based heterogeneous information networks representation; (2) semi-supervised learning in heterogeneous information networks by analyzing node correlations; (3) semi-supervised learning of multi-label data by analyzing label dependencies; (4) the design of algorithm for multi-label classification in the heterogeneous information networks. The novelty of this proposal are: meta-path based representation model; probabilistic latent semantic analysis based semi-supervised learning algorihtm; multi-label classification of heterogeneous information networks by analyzing node correlations and label dependencies.
随着数字社会化新媒体和移动互联网应用的普及，如何识别不同社会网络中个体的兴趣爱好成为数据挖掘领域广泛关注的问题。该问题可以转换为多关系图中节点的多类标分类问题，其关键研究难点是：多关系图通常只有少量学习样本，而且节点之间、类标之间存在复杂关联关系，必须结合有类标和无类标节点信息学习节点之间、类标之间的关联性，从而构建高性能的分类模型。本课题围绕这个问题，研究基于概率语义分析方法的多关系图多类标分类模型，主要内容包括：(1)基于元路径的多关系图表示模型；（2）基于节点之间相关性的多关系图半监督学习模型；(3) 基于类标之间相关性的多类标半监督学习模型；(4) 面向多关系图的多类标分类算法设计。课题的创新在于：基于元路径的表示模型，基于概率语义分析方法的半监督学习方法；基于节点之间+类标之间相关性的多关系图的多类标分类方法。

结项摘要

整个项目期间，针对本工作的主要研究内容，发表了共19篇论文，其中期刊论文6篇，会议论文12篇。申请了3项专利，获得了5项软件著作权。.具体而言，相关的研究成果及其科学意义主要包括以下几个部分：1.在多关系图异构数据统一表征方面，项目负责人提出了基于相关性判别式学习、基于最优传输理论的半监督学习、构建转移概率图等方法，为异构多关系图数据表征提供有效解决方案。2.在多源数据协同学习方面，项目负责人提出了多源数据的集成学习算法，以实现多源数据的快速分类。3.在异构多关系图的关联理解方面，项目负责人提出了构建“异构网络图”，基于半监督异构网络图的异构多关系图数据分类算法。4.在异构多关系图应用拓展方面，结合异构多关系图数据应用问题的特点，成功地将算法应用于生成图像内容的语言问答序列、图像和文本数据多标记分类等领域问题中。

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（12）
专利数量（3）
Online Transfer Learning by Leveraging Multiple Source Domains
利用多个源域进行在线迁移学习
  • DOI：
    10.1007/s10115-016-1021-1
  • 发表时间：
    2017
  • 期刊：
    Knowledge and Information Systems
  • 影响因子：
    2.7
  • 作者：
    吴庆耀
  • 通讯作者：
    吴庆耀
Sparse Markov chain-based semi-supervised multi-instance multi-label method for protein function prediction
基于稀疏马尔可夫链的半监督多实例多标签蛋白质功能预测方法
  • DOI：
    10.1142/s0219720015430015
  • 发表时间：
    2015-10-01
  • 期刊：
    JOURNAL OF BIOINFORMATICS AND COMPUTATIONAL BIOLOGY
  • 影响因子：
    1
  • 作者：
    Han, Chao;Chen, Jian;Min, Huaqing
  • 通讯作者：
    Min, Huaqing
A fast Markov chain based algorithm for MIML learning
一种基于快速马尔可夫链的 MIML 学习算法
  • DOI：
    10.1016/j.neucom.2016.08.033
  • 发表时间：
    2016-12
  • 期刊：
    Neurocomputing
  • 影响因子：
    6
  • 作者：
    Ng Michael K.;Wu Qingyao;Shen Chenyang
  • 通讯作者：
    Shen Chenyang
MR-NTD: Manifold Regularization Nonnegative Tucker Decomposition for Tensor Data Dimension Reduction and Representation
MR-NTD：用于张量数据降维和表示的流形正则化非负 Tucker 分解
  • DOI：
    10.1109/tnnls.2016.2545400
  • 发表时间：
    2017-08-01
  • 期刊：
    IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS
  • 影响因子：
    10.4
  • 作者：
    Li, Xutao;Ng, Michael K.;Wu, Qingyao
  • 通讯作者：
    Wu, Qingyao
Leveraging question target word features through semantic relation expansion for answer type classification
通过语义关系扩展利用问题目标词特征进行答案类型分类
  • DOI：
    10.1016/j.knosys.2017.06.030
  • 发表时间：
    2017
  • 期刊：
    Knowledge-Based Systems
  • 影响因子：
    8.8
  • 作者：
    Hao Tianyong;Xie Wenxiu;Wu Qingyao;Weng Heng;Qu Yingying;Qu Yingying;Weng H;Qu YY;Qu YY
  • 通讯作者：
    Qu YY

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

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

吴庆耀的其他基金

基于3D骨架自监督学习的视频动作表示学习研究
  • 批准号：
  • 批准年份：
    2022
  • 资助金额：
    54 万元
  • 项目类别：
    面上项目
基于3D骨架自监督学习的视频动作表示学习研究
  • 批准号：
    62272172
  • 批准年份：
    2022
  • 资助金额：
    54.00 万元
  • 项目类别：
    面上项目
基于对抗表示学习的知识迁移关键技术研究
  • 批准号：
    61876208
  • 批准年份：
    2018
  • 资助金额：
    62.0 万元
  • 项目类别：
    面上项目

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