异构多属性网络的多视图聚类关键技术研究

Heterogeneous Multi-attributed Netwok (HMAN) is a special kind of Heterogeneous Information Network (HIN), which has much more semantic and implicit information than traditional HINs.The big challenge for HMAN Clustering lies in the complex correlation and dependency among vertexs, attribute set and edges, and the clustering performance will highly depend on the effectiveness of exploiting these coupled correlations. This project will first propose a multi-matrix and multi-tensor based multi-view representation model for HMAN, and then explore the following key research issues: (1) automatic discovery of implicit relations via non-negative matrix factorization and tensor factorization; (2) constrained multiple non-negative matrix factorization and tensor factorization methods to fuse various attributes in HMAN; (3) multi-view clustering algorithms for static HMAN through manifold learning and non-negative matrix factorization; (4) incremental multi-view clustering algorithms for dynamic HMAN. The main innovations of this proposal are as follows: a new multi-view clustering model; a new method for automatic discovery of implicit relations; new methods for fusing multiple attributes in HMAN.

异构多属性网络是一种特殊的异构信息网络，包含更丰富的语义内容和隐含信息，具有重要的研究价值。异构多属性网络聚类问题的研究难点在于：网络节点集、属性集和关系集之间具有复杂的相关性和依赖性，如何有效挖掘这些要素之间耦合的关联信息是提高聚类算法性能的关键。围绕这个核心问题，课题将重点研究基于多非负矩阵和多张量的多视图表示模型，以及该模型基础上的关键算法，包括：(1)基于非负矩阵和非负张量分解的隐含关系挖掘算法，用于发现异构节点之间的隐关系；(2)基于相关系数约束的多非负矩阵和多张量分解算法，用于解决多属性特征空间的多视图融合问题；(3)基于非负矩阵分解和流形学习的多视图聚类算法，用于解决静态异构多属性图聚类问题；(4)增量式多视图聚类算法，用于解决动态异构多属性图的增量聚类问题。课题的主要创新体现在：基于多视图迭代融合学习的聚类模型、新的隐含关系发现方法和多属性特征融合方法。

随着互联网技术的迅速发展和人们社交需求的日益增长，产生了大量的社交网络数据。异构多属性网络是一种特殊的异构信息网络，包含更丰富的语义内容和隐含信息，具有重要的研究价值。.本项目将以异构多属性网络的挖掘问题为核心展开研究，主要达成的目标包括以下7个方面。第一，我们提出一种适合于异构多属性网络的表示模型；第二，我们在这个表示模型的框架下，提出基于带权重联合非负矩阵分解的聚类算法，将关系特征和属性特征融合在同一目标函数中，并对每个属性特征进行加权，用于发现节点之间的隐关系；第三，我们提出基于带权重多联合非负矩阵分解的聚类算法，把拓扑关系和多个视图的属性特征融合在同一目标函数中，用于解决多属性特征空间的多视图融合问题；第四，我们提出基于关系系数约束的多视图聚类算法，用于解决静态异构多属性图的聚类问题；第五，我们提出基于多图正则化和生成模型的单属性网络的半监督多类标学习算法，解决半监督多类标分类问题；第六，我们提出基于高阶关系挖掘的多属性网络半监督学习算法，用于传递节点之间高阶关系信息；第七，我们提出基于多关系集成正则化的多属性多关系图的半监督学习算法，将多个关系网络结合在一起，解决属性网络半监督分类问题。项目在IEEE Transactions on Neural Networks and Learning Systems、Information Sciences、IEEE Transactions on Image Processing、AAAI、WWW等重要国际期刊或学术会议上已发表或录用研究论文26篇，SCI期刊15篇，全部已标注了受到本项目基金的资助。