这次会议使得自己接触了很多社交网络和数据挖掘方面很前沿的一些研究，增长了见识，拓展了视野。亲眼目睹了本领域权威的学者，敬佩他们严谨的工作态度和出色的能力，这些优秀品质值得我去好好学习。还获得了一些公开数据集的获取途径。对我来说，这次信息量很大，收获颇丰。

这次的会议内容和现在的研究很相关。更加明确了自己的论文中有原来存在不足的地方，以及原来能预计的将来的可能的工作。通过这次会议得到了一些对未来工作的启发，以及论文可能的改进的方向。

一、Philip S Yu：BroadLearning via Fusion of Social Network Information

异构信息网络中结点的不同属性如果能被很好的融合起来的话，或许就能将融合后的网络当作同构信息网络进行处理，这样的处理过程将给异构信息网络的分析带来极大的便利。

了解到的关于广度学习的新知识：

1.对同一个实体上的不同类型进行处理的方式有：multi-view，multi-model、multi-source Learning；

2.对不同但相似的实体上的信息的处理： transfer learning;

3.对通过复杂网络关系相关的不同类型实体的信息进行处理：异质信息网络（Heterogeneous Information Network，HIN）融合。

其中迁移学习在现实中具有很实用的意义，并且可以解决冷启动问题。例如阿里的OneID。广度学习应用：POI 预测；跨社交网络平台的知识融合；地点预测。

受到的启发有：在做网络表示学习的时候，将结点不同类型的属性进行融合后按照原网络的拓扑结构结构形成一个新的同构信息网络，然后在这个同构信息网络上应用同构信息网络的表示学习算法进行表示学习。异构信息网络广度学习和深度学习结合起来效果应该非常好。

二、唐杰：Social Network Mining

报告中提到信息时代分为三个阶段。信息时代 1.0 ：网络由页面和页面间的链接构成的。随后越来越多的传统行业加入，于是产生了大数据；同时还产生了云计算。信息时代 2.0：用户加入网络，例如「今日头条」。信息时代 3.0：用户开始在网络上，用户之间形成了交互，这就形成了信息空间和用户空间，通过两个空间信息的融合将产生智能。唐杰的报告中提到网络表示学习都可以归纳为矩阵分解的形式。例如DeepWalk、LINE、PTE、Node2vec都可以归纳为一个矩阵分解的形式。

应用：学堂在线伴读机器人小木、红包流向、用户画像、科技情报大数据挖掘与服务平台、Social Influence（王者荣耀）。

三、宋国杰：社交网络影响最大化

         以前对社交网络影响最大化不太了解。这次算是了解了一下影响最大化。影响最大化模型：离散时间模型、连续时间模型、竞争扩散模型或者其他诸如流行病传播模型、投票模型等。其中在离散时间模型大类中 Threshold Model 和 Cascade Mode 两个模型最为基本。报告重点讲解了 Lazy Evaluation 算法和 MIA Heuristic 算法

应用：市场策略（应该给哪些人发券）、监控设备。报告提出，驱动这方面进一步研究的关键之处是如何在具体的场景中找到好的应用点。

四、赵鑫：面向社交媒体平台的商业知识挖掘

         报告针对社交媒体平台进行商业知识的挖掘。研究内容分为三个部分：用户意图分析、用户画像构建、用户需求推荐。

         基于社交平台的大量数据，并且数据具有丰富的商业价值。挖掘这些数据的商业价值具有很高的可行性。突破站内推荐的局限性。

五、James A. Evans：Team Structure and Scientific Advance

         刚开始讲了一个Foldit 的游戏，让酶的活性提高了18倍多。他们研究了 1954 年到 2014 年间 5000 万多份论文、专利和软件产品，以此从中分析团队合作特点。他们发现小的团队在定性工作中表现更佳，大的团队则在定量工作上更具优势。

由于是英文，并且是社会学的东西。没听大懂，不过社会学和社交网络密切相关，并且报告中的相关研究跟计算机联系很紧密。感觉上符合常识。

六、Wei Wang：Modeling Dynamic Networks

         动态网络是以后相关研究发展的必然趋势。也就是考虑到社交网络上时间这一维度。报告中结合了时间和空间来对社交网络进行研究，能很好的预测网络的发展。为了构建各种各样的动态网络分析的通用框架，将网络结构描述成一个时间的功能函数：时间因式分解网络模型。考虑到时间和空间上的一致性，对网络表示学习进行增量更新。动态网络表示学习也是下一步网络表示学习的方向。

应用：链接预测、异常检测、动态网络表示学习（NetWalk）、智能平台、HIV风险行为检测、基于位置的社交网络、地理影响分析、

七、胡祥恩：语义表示和分析（SRA）以及潜在的应用

         从认知心理学讲解语义表示和分析。自然语言的交互首先是创建语义空间：构建语料库，然后编码进语义空间，最后应用。语料库是必须针对特定领域的，可从种子和权重方法来实现。

         应用：Intelligent Tutoring Systems

八、石川：异质信息网络建模与分析

异质信息网络包含大量的语义和综合信息，但是结构复杂、语义难挖掘。异质网络有望解决知识图谱中的相关问题。相似性搜索：HeteSim.推荐：SemRec.基于元路径（挑战：权重和组合）。恶意软件检测：HinDriod（apps和apis之间的关系被当作特征作为一个HIN，APPS之间的相似性可以通过多种元路径计算出来）.

异构信息网络中元路径的选取：需要结合领域知识，元路径具有丰富的语义。对于知识图谱，可以打上部分标签后，自动学习到。元路径可用来解决冷启动问题。

九、崔鹏：网络嵌入：在向量空间中启用网络分析和推理

         数据和计算能力指数级增长，但是由于链接的存在，计算的复杂度是指数的指数。网络表示学习1.0：重构原始网络；网络表示学习2.0：支持网络推理。要支持网络推理的话需要网络表示学习能反映网络结构和保留网络特性。网络特性：相似性、社区特性、传播特性（对称的、不对称的）。

         报告还讲了他们最近的工作： Hyer-network Embedding（更复杂的结构）和Dynamic network Embedding（更挑战的特性）。Hyer-network Embedding的边是不可分解的，怎么保留边的不可分解的关系？怎么保留稀疏的hyper-networks的结构？解决方案：N-tuplewise similarity requiresnon-linear model。Dynamic network：动态更新SVD，包括实验过程的误差处理方法。

十、沈华伟：在线社交媒体中的信息传播预测

         主要讲了影响力最大化研究和传播预测。影响力最大化：现有算法有 Greedy 算法、Heuristic 算法等，但是它们面临着可扩展性-准确性的困境。沈华伟他们的解决方法就是在蒙特卡洛模拟中重用相同的集合，并提出了 StaticGreedy 算法。传播预测：现有方法：feature-based methods 和 temporal analysis。但是这些方法忽视了人群动态是一个反映集体参与的过程。于是他们提出一种 process-based 方法。他认为群体动态是一个 arrival process 能够捕获一个信息如何积累关注，基于特征的方法将会被合并到特征学习方法中。

         应用：引用动态预测。

十一、刘知远：语言表示学习与计算社会科学

         主要讲了计算社会科学有关的语言表示学习。前表示学习时代：基于符号的表示，也就是one-hot模型，但是它不能表示不同词之间的关系。分布式表示学习时代：对象均被表示为稠密、实值、低维向量；向量之间的距离则能够表示不同词之间的关系。例如word2vec，能习得词汇间隐含关系、发现词汇语义层级、建立跨语言词汇表示、建立视觉-文本联合表示、检测词汇语义变迁。

         然后讲了语言分布式在大脑中的体现。然后讲了基于词汇表示的人类偏见研究、基于神经网络模型的抑郁检测。刘知远认为计算社会科学面临的挑战是：信息多源异构，难以建立语义关联。随后介绍了融合HowNet义原标注的词义表示。

异构信息网络涉及到自然语言方面处理的东西可以从这里得到参考。

十二、杨洋：社交网络中的群体用户行为分析与表示学习

         社交网络中的群体用户行为分析:

         先是介绍了社交网络中的群体用户行为分析：移民者的都市梦——感知移民群体的行为模式。得出的结论是：抵达都市后的前两周很关键。积极扩展人脉、发展多样性的关系与移民者能否留在都市的关联性很强。

然后讲了一个电信领域的案例：电信诈骗检测——识别诈骗用户及其诈骗策略。他们发现诈骗分子在打出电话的频率比普通用户要高 200 倍之多，诈骗分子打出电话对象之间的关系极弱，在时间分布上发现诈骗分子打电话的时间分布与上班族类似。

最后讲了一个金融学案例：AI风控——根据用户通话模式判断逾期还款.

表示学习:

Dynamic Network Embedding by Modeling TriadicClosure Process:涉及到闭合三角形、开放三角形。模型使用了对数相似近似、负抽样、随机梯度下降。应用：手机网络、贷款网络、学术网络、服务网络。

Representation Learning for Scale-freeNetworks：社交网络往往拥有无尺度特性——结点度数服从幂律分布。将重构无尺度网络的问题等价转化为球填充问题。

十三、韩家炜：大规模语料库的多维分析

         将大数据转化为actionableknowledge:

Structuring：将无结构文本转换成结构的、类型的、内部链接的实体/关系；

networking：利用大量的、结构的链接；

挖掘大量的结构和网络。

 

Roadmap：

从文本数据中挖掘出隐含的结构；

将文本转化为网络和 TextCube；

从网络和 TextCube 中挖掘出 ActionableKnowledge 。

 

随后韩家炜介绍了近期的几项从无结构文本中挖掘结构的工作。首先他介绍了短语挖掘的工作，即把原始的语料库翻译成高质量的短语和分段的语料库。其次是让短语有意义，他介绍了实体/关系的解析工作。随后，他介绍了 MetaPAD 工作，即元模式驱动的来自大量文本语料库的属性发现。最后他还介绍了多方面分类挖掘（Multifaceted Taxonomy Mining）。

他们的工作主要是将无结构数据的转化成结构的数据。