基于随机点过程的大规模事件数据的建模推断与控制

In the age of Big Data, a huge amount of users on ubiquitous networks continuously generate behavior data. Generally, the data is organized as heterogeneous event sequences in continuous time, which contains complex dynamics and intra-and inter-relationships. Modeling huge event sequences and exploring their dynamics and causality help us to comprehend the patterns of events' occurrences and the corresponding information systems. Moreover, it helps us to coordinate the services of systems and the requirements of users, which can be applied to many fields, including health informatics, social networks and social media, and peer-to-peer micro-finance, etc. Based on a powerful tool of event sequence analysis, so-called point processes, our project studies the problems above and proposes following research works: 1) Focusing on the hidden causality of event sequences, we model the dynamical causality of events based on time-varying multivariate point process models, and study the learning problems of hidden point processes. 2) We propose the mixture model of point processes, and apply it to event sequence clustering and segmentation. 3) Combining point processes with modern control theory, we study methods for active manipulation and control of event sequences, including learning optimal interventions from historical events according to expected goal and outcomes.

在大数据时代，海量用户身处泛在网络环境下，每时每刻都在产生行为数据。这些数据往往以异构、异步事件的形式存在于连续时间域，并具有复杂动态方式和相互关系。针对上述海量异步事件数据进行动态建模，探索其动态过程及因果关系，不仅有助于理解事件发生的模式及相应的系统动态规律，而且更是极具应用价值，如健康信息学、社交网络与媒体、点对点小微金融等等。本项目基于点过程模型这一事件序列分析工具，针对上述问题展开如下研究：1)针对事件序列隐含的事件因果关系，研究基于时变多元点过程的因果关系动态模型以及面向隐式点过程的学习问题；2)研究基于混合点过程模型的事件序列聚类和分割方法；3)结合点过程模型与现代控制理论，研究事件序列主动干预和控制方法，探索从历史事件中学习干预策略以实现给定的指标。我们将利用研究成果开展一系列应用，包括健康信息学中病患分层表型提取，电商与金融领域推荐系统时变建模与控制，社交网络优化与管理。

近年来，随着数据科学与人工智能的发展，大规模事件数据建模已然成为实际应用问题中普遍存在的问题，推断与控制算法成为学术界和工业界都共同关注的重要需求。本项目针对这些重要需求，针对大规模事件数据，基于实际应用问题中的结构特性，设计随机点过程求解算法，并将其广泛应用于机器学习等应用中。..项目组与佐治亚理工大学、上海交通大学等国内外高校开展了深入广泛地合作，并超额完成预期任务。在国内外知名刊物发表期刊论文7篇，会议论文22篇，其中CCF A类论文12篇。本项目按照申请书设定的技术路线与年度计划有序进行。本项目在大规模事件数据建模方面的主要贡献包括：1) 针对事件序列隐含的事件因果关系，研究基于时变多元点过程的因果关系动态模型以及面向隐式点过程的学习问题；2) 研究基于混合点过程模型的事件序列聚类和分割方法；3)结合点过程模型与现代控制理论，研究事件序列主动干预和控制方法，探索从历史事件中学习干预策略以实现给定的指标。..本项目研究一系列机器学习应用中的事件数据建模推断与控制，并取得了突破性的计算效果。