大数据挖掘与智能计算
2025年1月1日
·
1 分钟阅读时长
概述
我们面向大规模网络数据与多源异构信息，研究高效图流算法、社交网络博弈论优化、个性化推荐系统与多模态知识图谱补全等智能计算技术，为大数据驱动的科学发现提供理论与方法支撑。
研究方向
- 图流计算：分布式流环境下的三角形计数与子图匹配算法
- 社交网络优化：基于博弈论的车联网众包社会福祉控制与激励机制
- 个性化推荐：基于图注意力自编码器的行程推荐与路径分析
- 知识图谱补全：知识表示增强的多模态知识图谱补全方法
- 数据编织存储：面向分布式环境的数据编织存储关键技术
代表性成果
- 提出分布式流三角计数框架（KBS 2023, ACM TKDD 2021）
- 提出流式三角计数紧凑估计器（IEEE TKDE 2024）
- 提出车联网迭代博弈的社会福祉单边控制方法（JCST 2025）
- 提出图注意力自编码器的个性化行程推荐（KBS 2025, AAAI 2020）
- 提出知识表示增强的多模态知识图谱补全方法（计算机工程与应用 2025）
- 提出跨孤岛联邦学习缓存的社会福祉控制与搭便车激励方法（ICASSP 2026）