CCF-ADL 58 大媒体与大数据分析 北京·清华大学 2015.7.20-2015.7.22

大媒体与大数据分析—主要内容 图像视频大数据分析与搜索 高文，北京大学 从媒体大数据到知识发现 芮勇，微软亚洲研究院 图像视频大数据分析与搜索 高文，北京大学 从媒体大数据到知识发现 芮勇，微软亚洲研究院 大数据挖掘的机遇与挑战 俞士纶，美国伊利诺伊大学芝加哥分校 容错数据挖掘 吴信东，美国佛蒙特大学 网络数据计算与社会媒体分析 程学旗，中国科学院计算所 异构信息网络构建与分析 韩家炜，美国伊利诺伊大学香槟分校 大数据问题求解：算法与系统 王宏志，哈尔滨工业大学

从媒体大数据到知识发现 文本领域：从文本到知识，“读书百遍，其义自见” 图像领域：图像主体辨识、图像分类 名词分块->实体链接->共指消解->事实抽取->迭代进行… 图像领域：图像主体辨识、图像分类 视频领域：发现精彩部分、识别视频中的动作 框架分为3层。最底层为Source层，包括无结构数据，半结构数据，结构化数据以及人。Source层通过Mining操作（包括本体构建，实体抽取，事实/关联抽取，权重抽取，Alt Exp挖掘，动作抽取）形成KB层（Knowledge Base）。而KB层则向上提供Serving（实体链接，实体Ranking，上下文发觉，意图发觉，事件发觉，语义解析，推理等）给Apps层。 文本的另一个问题是查询理解：Lecture中主要指出了查询分段(segment，这一过程会有上下文的问题）,然后给分段的打上Label，再基于KB给出推荐的Entity。 图像的实例主要提出了两种思路结合的方法（自底向上+自顶向下）。分别存在着两种挑战：重复发现，开放词汇的图片注解。图片消歧，图片去噪。 视频实例主要提出了HighLight发觉与动作识别（基于深度学习）

大数据挖掘的机遇与挑战 五个V：Volume， Velocity， Variety， Veracity，Value Velocity 机遇与挑战：存储，索引，检索，备份&恢复，挖掘&分析， 隐私保护…… Velocity 基于数据交互流的社团发现 利用电子邮件、短信、电话等信息发现经常联系的群体 在线部分：Top-K neighbor list，Top-k candidate list 离线部分：寻找常见的通讯模式 Variety 传统特征向量的方法不再适用 对于人脑的建模（使用不确定图数据） 异构网络信息的挖掘（利用链路信息等等） Veracity 对于商品评论的真实性判定 不使用评论自身的信息，而使用群体智慧 A reviewer is trusty if he wrote many honest reviews a review is honest if many trusty reviewers agree with it about the target store

异构信息网络构建与分析 Data->Network->Knowledge (D2N2K) Why Heterogeneous Information Networks? Homogeneous networks: Single object type and single link type Heterogeneous networks: Multiple object and link types Heterogeneous networks carry richer information, imply more structures, leading to richer discovery. Construction of Heterogeneous Networks from Text Data Philosophy: Not extensive “labeling” but exploring the power of massive text corpora! Mining phrases from massive text data [ToPMine, SegPhrase+] Entity recognition and typing Relationship extraction Construction of heterogeneous information networks Mining Heterogeneous Information Networks Meta-Path and Similarity Search RankClus and NetClus And many, many more…

大数据问题求解：算法与系统 求解大数据问题的难点 求解大数据问题的算法 访问全部数据时间过长：读取部分数据 （时间亚线性算法） 访问全部数据时间过长：读取部分数据 （时间亚线性算法） 数据难于放入内存计算：将数据存储到磁盘上、仅基于少量数 据进行计算（外存算法、空间亚线性算法） 单个计算机难以保存全部数据，但是计算需要整体数据：并行 处理（并行算法） 计算机计算能力不足或知识不足：人来帮忙（众包算法） 求解大数据问题的算法 水库抽样：均匀地从数据流中抽K个数据（亚线性空间算法） 先取前K个，之后以K/i的概率用第i个数据随机替换结果中某一个 输入平面图的距离矩阵（满足三角不等式），求两点间最大距 离，要求O(n) （亚线性时间算法） 随便取一行求最大值，不会比最优解的1/2差 判断一个大图的连通性（半外存算法） 存储所有顶点，标不同的序号；每读入一条边，将相连的顶点编 号变为相同 计算子图同构（并行算法） 查询图分解成小图，之后对小图进行匹配，再进行连接

Thank you.