大规模复杂信息网络的表示学习与应用

As a natural way of representing objects and the complex relationships between them, network is ubiquitous in our daily lives and academic research. In the information society, many network nodes are rich in text and other external information, forming a typical complex information network. Therefore, the study and analysis of complex information networks have a very high academic value and application significance. Complex information network has the characteristics of high dynamic, multi-source heterogeneity and rich external information, which brings great challenges to the representation and analysis of complex information networks. As deep learning and representation learning have made great breakthrough in recent years, this project aims to study the representation learning problem of complex information networks, explores the scheme for complex information network analysis based on distributed representation learning, incorporates text information into network structure for more discriminative network representation, conducts in-depth study in node classification, community detection, dynamic analysis, information diffusion and other aspects, and improves the effectiveness and efficiency of network analysis. The analysis of complex information network is the frontier academic problem of artificial intelligence. The expected results of this project will improve the accuracy and depth of information network analysis, and promote the development of theory and application in related fields.

网络是表示对象之间复杂联系的重要形式，普遍存在于日常生活与科学研究中。信息社会中很多网络节点拥有丰富的文本等外部信息，形成典型的复杂信息网络。面向复杂信息网络的分析技术具有重要的研究价值与应用意义。复杂信息网络具有高度动态，多源异质和信息丰富的特点，为复杂信息网络的表示与分析带来巨大挑战。最近深度学习与表示学习取得重要突破，本项目旨在研究复杂信息网络的表示学习问题，探索基于分布式表示学习的复杂信息网络分析方案，有效融合网络结构与节点文本信息，形成更具区分性的网络表示，在节点分类、社区发现、动态分析、信息传播等方面展开深入研究，同时改进网络分析的效果与效率。复杂信息网络分析是社会计算的前沿学术问题，本项目预期成果将全面提升信息网络分析的精度与深度，显著推动相关领域的理论与应用发展。

网络结构是表示对象之间复杂联系的重要形式，普遍存在于日常生活与科学研究中。信息社会中很多网络节点拥有丰富的文本等外部信息，形成典型的复杂信息网络。本项目面向复杂信息网络的表示学习研究，着重开展了以下研究工作： 1）网络结构信息的智能化获取:由非结构化的文本中抽取出结构化网络数据；2）复杂网络结构的表示学习:针对复杂网络数据，提出一套网络表示学习框架，以更好地利用复杂网络；3）网络表示学习在社会计算中的应用：基于结构化网络表示，对复杂网络进行有效的分析和建模，在多种下游任务上进行验证。.课题组在上述研究方面均取得了很有价值的研究结果。已发表相关学术论文共25篇(期刊论文5篇，会议论文20篇)，其中包括中国计算机学会A类会议/期刊论文16篇，多篇论文发表在ACL、EMNLP、AAAI、 IJCAI、COLING等人工智能和自然语言处理领域的顶级国际会议上，相关工作成果形成的开源工具包受到学术界和业界的广泛关注，完成了本项目提出的研究目标。在人才培养方面，参加本项目的主要研究人员中，已有5名研究生毕业，另有1名博士生在读。.综上所述，课题组按照项目任务书的研究内容和年度计划有序地开展研究工作并完成既定的研究目标。研究成果将深化网络表示学习研究，服务于人工智能领域相关信息服务。