答辩公告
我的位置在: 首页 > 答辩公告 > 正文
王晶晶预答辩公告
浏览次数:日期:2021-03-19编辑:院研究生秘书

预答辩公告

论文题目

增量式大规模社交网络分析关键技术研究

答辩人

王晶晶

指导教师

姜文君副教授

答辩委员会

主席

阳王东

学科专业

计算机科学与技术

学院

信息科学与工程学院

答辩地点

超算1号楼5

答辩时间

2021325日下午300

学位论文简介

社交网络成为了网络信息传播的主要通道,对网络舆情的发生发展和社会稳定与安全具有重要的影响。本文围绕社交网络中网络结构和信息传播的研究,建立了增量式的模型和研究方法。取得了以下主要创新性研究成果:

  1. 增量式组水平流行度预测。现有关于流行度预测的工作通常在非增量的设置下完成的。因此,当新数据出现时,它们必须从头开始重建模型,这在大数据环境中是低效的。因此,我们提出了增量式的组水平流行度预测问题,同时提出了一个新颖的增量式模型IGPP去解决该问题。

  2. 社交网络应用中增量式CP分解的累积误差研究。增量式CANDECOMP/PARAFAC分解(ICP)方法,能根据新增加数据更新以前的分解结果,这样既能提高计算效率,又能处理现实社交网络中不断增加的数据。但由于在增量式更新过程中,误差积累严重,其计算结果不准确。为了促进ICP的广泛应用,本章致力于研究分析ICP在大规模OSN应用中的误差和其产生原因,提出重启策略使其保持高效率的同时提高精确度。最后,我们在典型的动态OSN应用中测试了其有效性。

  3. 时间子图采样计数研究。计算时间子图的出现次数是时间网络分析的一个基本问题。然而,现有的方法要么不能支持时间子图,要么算法的性能不高。针对这些问题,我们主要研究通过随机采样的方法近似计数时间子图,并提出更符合显示地流式处理算法。

主要学术成果

  1. Jingjing Wang, Wenjun Jiang, Kenli Li, and Keqin Li. Reducing Cumulative Errors of Incremental CP Decomposition in Dynamic Online Social Networks. ACM Transactions on Knowledge Discovery from Data, DOI: https://doi.org/10.1145/3441645.  (CCF B类期刊)

  2. Jingjing Wang, Yanhao Wang, Wenjun Jiang, Yuchen Li and Kian-Lee Tan, Efficient Sampling Algorithms for Approximate Temporal Motif Counting, 29th ACM International Conference on Information and Knowledge Management (CIKM) 2020. (CCF B类会议)

  3. Jingjing Wang, Wenjun Jiang, Kenli Li and Keqin Li. Detecting Influential Nodes Incrementally and Evolutionarily in Online Social Networks. 15th IEEE International Symposium on Parallel and Distributed Processing with Applications (ISPA). 2017. (CCF C类会议)

  4. Jingjing Wang, Wenjun Jiang, Kenli Li, Guojun Wang, Keqin Li. Incremental Group-level Popularity Prediction in Online Social Networks. ACM Transactions on Internet Technology. (under review)

  5. 姜文君;王晶晶;李肯立;李克勤。 在线社交网络的增量式组水平的话题流行度预测方法,专利进入实审