动态属性网络随机块模型及其应用研究

Networks provide a powerful tool to represent real-world complex systems. In addition to node connectivity information, most real-world networks have attributes associated with nodes to characterize the intrinsic properties of the nodes. Clustering nodes into groups in networks using both of heterogeneous information, node attributes and node connectivity, has become increasingly popular in recent years. However, existing clustering methods for attributed networks do not consider the dynamically evolving property of attributed networks through time. Additionally, existing stochastic block models for dynamic networks ignore the attribute information on nodes. Thus, in this project, we intend to study stochastic block models for dynamic attributed networks. Our research contents mainly focus on the following issues. 1. How to construct a stochastic block model to fit a given dynamic attributed network. 2. How to design efficient inference algorithms for dynamic attributed stochastic block models by using stochastic variational inference, multi-level schemes and heuristic techniques. 3. How to explain the found communities using node attributes in dynamic attributed networks. 4. How to use dynamic attributed stochastic block models in trust-based product recommendation.

现实世界的诸多系统都可以描述为网络的形式，网络中节点间不但存在链接关系，节点上还常常附着着各类丰富的属性信息。如何同时利用节点属性特征和节点间的拓朴关系这两类异构信息对节点进行有效聚类（也称为属性网络社区发现），受到人们的普遍关注。但是，现有的属性网络社区发现方法较少考虑网络的拓朴关系随时间动态变化的特性，而现有的动态网络随机块模型又忽视了节点上可能含有的属性信息。因此，本项目主要研究动态属性网络随机块模型及其求解方法，并探索其在社交平台诸如产品推荐中的应用。主要研究内容包括：1. 动态属性网络随机块模型构造；2. 动态属性网络随机块模型快速求解方法，包括随机变分推理方法、多水平网络简约方法、启发式加速方法等；3. 基于节点属性的动态属性网络社区结构可解释性分析；4. 基于用户动态信任群体识别的产品推荐方法等。

依照项目申报书中各项研究内容，本项目围绕属性网络随机块模型及动态属性网络随机块模型、随机块模型快速推理方法、属性图快速聚类启发式方法、属性网络学习方法在推荐系统中的应用等开展研究。主要研究内容与项目申报书基本一致，但也有所扩展。首先，由于深度学习在图结构学习中表现出强大的性能，传统的概率推理方法在学习能力上逐渐无法和深度学习媲美，我们扩展研究了基于深度学习的属性图表示学习方法及深度聚类方法。由于交通流量预测和基于传播结构的早期谣言检测常建模为具有时间特性的动态属性图模型，相对于由静态属性图模拟出的动态属性图更有研究价值，我们扩展研究了动态图卷积网络在交通流量预测中的应用及图卷积网络在基于传播结构谣言检测及早期谣言检测中的应用，为属性图研究提供了更有力的应用基础。..以项目为依托，针对以上研究内容，项目取得的研究成果主要有：1.给出了一系列属性图及动态属性图随机块模型及推理算法。2.基于多水平简约策略，对现有的属性图推理算法进行加速；给出了一种节点权重自适应学习的K-means型快速属性图聚类方法。3.给出了一系列有效的深度生成式节点类簇结构学习方法；研究了基于时空卷积网络的动态属性图节点表示方法，并进行了交通流量预测及可解释性分析。4.给出了一系列基于用户动态兴趣偏好学习的产品推荐方法。5.基于图及动态图结构学习研究，给出了一系列基于图结构学习的有效谣言或早期检测方法。基于以上理论成果，共计发表学术论文26篇，其中SCI检索论文9篇（含录用1篇），中文核心期刊论文8篇，CCF-A类国际会议论文3篇，CCF-B或C类国际会议论文3篇，其它国际会议论文3篇，国内会议报告4次；在审SCI期刊（TNNLS, Information-Sciences, Journal-of-Complexity）论文3篇；申请国家发明专利3项。培养博士生5人，毕业2人；培养硕士生15人，毕业9人。项目成员积极参加国际领域重要学术会议并进行论文宣讲；受邀做国内会议报告1次，参会人数约300人。顺利完成了项目预期的各项指标。