昆明理工大学

关于拟提名2019年度云南省科学技术奖候选项目的公示

发布时间:2019-05-30  |   访问量: 返回首页

为做好2019年度云南省科学技术奖励提名工作,完善科技奖励的社会监督工作,确保科技成果奖励的公正性,根据《云南省科学技术奖励办法》(云南省人民政府令第157号)、《云南省人民政府办公厅关于印发云南省深化科技奖励制度改革实施方案的通知》(云政办函〔201898号)等相关文件规定及《云南省科技厅关于2019年度云南省科学技术奖提名工作的通知》(云科奖发〔20191号)的相关要求,现对以下项目的基本情况、项目简介、候选人对项目的贡献情况、代表性论文专著情况等信息予以公示,公示期为8天(2019530-201966日)。

公示期间任何对公示内容有异议的单位或个人,请在公示期内实名并提供书面材料向科学技术院反映。

 

联系人:科学技术院  李老师

联系电话:0871-65916002

联系邮箱:kmustzhb@163.com

                            昆明理工大学

                                2019530

 

一、项目基本情况

项目名称:数据中的不确定性知识发现、融合与应用研究

项目完成单位:云南大学,昆明理工大学

主要完成人:岳昆(云南大学),付晓东(昆明理工大学),刘惟一(云南大学),武浩(云南大学),李劲(云南大学),李维华(云南大学)

拟提名情况:云南省自然科学奖

提名单位:云南大学

 

二、项目简介

  数据中蕴含的知识大多具有不确定性,不确定性是智能系统面临的核心问题;如何发现数据中的不确定性知识并用于信息服务,是大数据和人工智能领域共同关注的课题。本项目面向数据分析实际应用,以贝叶斯网作为知识表示和推理的基本框架,以数据知识-应用为主线,研究海量、动态、异构数据中不确定性知识发现、融合、分析应用的方法和技术。

本项目任务来源于已完成的5项国家自然科学基金、1项教育部重点项目、1项教育部博士点基金、2项云南省应用基础研究重点项目。项目将数据库、人工智能、知识工程和服务计算等学科相结合,丰富了概率图模型的内涵、拓展了其外延、扩大了其应用,为大数据研究中关联/因果分析和知识推理这两类关键问题提供了有效的计算手段。创新点主要包括:

1、提出了数据中不确定性知识模型的构建方法。从数据模式和数据样本两个角度,拓展了传统不确定性知识建模方法,融合了专家知识和数据中蕴含的知识,使得两类知识互为补充、利用两类知识对单一角度构建的模型进行修正成为可能,解决了海量、动态、异构数据中不确定性知识发现和获取问题,为大数据知识工程中的知识获取和知识表示问题提供了新的策略,为关联和因果分析奠定了基础。

2、提出了数据驱动的概率图模型扩展及融合方法。从知识表示机制和不同数据类型的角度,建立了频繁模式和概率图模型之间的关系,并分别基于定性概率网和区间概率论对知识模型进行扩展,解决了概率型和逻辑型知识的有效融合问题;提出保持语义的时序不确定性知识抽取与融合方法,解决了动态变化、多源不确定性知识的有效融合问题。使不确定性知识建模方法与数据分析实际需求和数据的基本特征更加吻合,为数据分析提供了更多的模型和技术,为面向碎片信息的知识融合、知识模型的增量修正提供了理论基础。

3、建立了基于不确定性知识模型的数据关联分析与应用技术体系。针对不确定性数据、社交媒体数据和Web服务数据这几类典型数据的分析任务,为不确定性数据世系分析、社交媒体数据关联挖掘、个性化信息服务、可信在线服务管理等典型问题提供了新的解决方案,促进了知识建模与推理方法在数据分析与服务中的应用。

本项目发表论文35篇、总他引1860余次,其中:代表性论文8篇,SCI收录7篇、EI收录1篇,单篇最高影响因子8.775、累计影响因子32.512,WOs核心合集中被他引44次,Google Scholar中被他引89;核心论文18篇,SCI收录13篇、EI收录5篇,累计影响因子45.690WOS核心合集中被他引61次,Google Scholar中被他引136次。

 

三、候选人对项目的贡献

姓名

工作单位

对成果创造性贡献

 

云南大学

总体负责,数据中不确定性知识模型构建

付晓东

昆明理工大学

数据中不确定性知识应用算法与技术

刘惟一

云南大学

不确定性知识模型构建、推理与融合理论

 

云南大学

基于不确定性知识模型的数据分析和个性化服务

 

云南大学

数据中不确定性知识模型构建与推理算法优化

李维华

云南大学

碎片信息中的不确定性知识融合方法

 

四、代表性论文专著情况

[1] Wei-Yi Liu, Kun Yue, Wei-Hua Li. Constructing the Bayesian network structure from dependencies implied in multiple relational schemas. Expert Systems With Applications, Elsevier, 2011, 38 (6): 7123-7134.SCI, IF: 3.711; JCR Q1, 中科院JCR Q1; WOS核心集中被他引9次)

[2] Kun Yue, Qiyu Fang, Xiaoling Wang, Jin Li, Weiyi Liu. A Parallel and Incremental Approach for Data-Intensive Learning of Bayesian Networks. IEEE Transactions on Cybernetics, 2015, 45 (12): 2890-2904.SCI, IF: 8.775; JCR Q1, 中科院JCR Q1; 计算机科学-控制领域排名第1、计算机科学-人工智能领域排名第3; WOS核心集中被引用15次、他引11次)

[3] Kun Yue, WeiYi Liu, MingLiang Yue. Quantifying Influences in the Qualitative Probabilistic Network With Interval Probability Parameters. Applied Soft Computing, Elsevier, 2011, 11 (1): 1135-1143.SCI, IF: 4.004; JCR Q1, 中科院JCR Q2; WOS核心集中被引用4次、他引3次)

[4] Wei-Yi Liu, Kun Yue, Ming-Hai Gao. Constructing Probabilistic Graphical Model from Predicate Formulas for Fusing Logical and Probabilistic Knowledge. Information Sciences, Elsevier, 2011, 181 (18): 3825-3845.SCI, IF: 4.378; JCR Q1, 中科院JCR Q2; WOS核心集中被他引4次)

[5] Kun Yue, Hao Wu, Yunlei Zhu, Weiyi Liu. Representing and Processing Lineages over Uncertain Data Based on the Bayesian Network. Applied Soft Computing, Elsevier, 2015, 37: 345-362.SCI, IF: 4.004; JCR Q1, 中科院JCR Q2; WOS核心集中被他引1次)

[6] Kun Yue, Hao Wu, Xiaodong Fu, Juan Xu, Zidu Yin, Weiyi Liu. A Data-Intensive Approach for Discovering User Similarities in Social Behavioral Interactions Based on the Bayesian Network. Neurocomputing, Elsevier, 2017, 219, 364-375.SCI, IF: 3.126; JCR Q1, 中科院JCR Q2; WOS核心集中被引用5次、他引4次)

[7] Xiaodong Fu, Kun Yue, Li Liu, Lijun Liu. Aggregating Ordinal User Preferences for Effective Reputation Computation of Online Services. Proc. ICWS 2016, pp. 554-561.EI, CCF推荐的B类会议)

[8] Hao Wu, Kun Yue, Yijian Pei, Bo Li, Yiji Zhao, Fan Dong. Collaborative Topic Regression with social trust ensemble for recommendation in social media systems. Knowledge-Based Systems, Elsevier, 2016, 97: 111-122.SCI, IF: 4.514; JCR Q1, 中科院JCR Q2; WOS核心集中被他引12次)