12月22-24日，CCF举办了第87期学科前沿讲习班，主题是《社交网络与数据挖掘》。感谢公司给我这次学习机会。

12月22日

Broad Learning via Fusion of Social Network Information —— Philip S. Yu

Philip S. Yu 教授认为在大数据时代，要发掘数据的价值，仅有深度学习是不够的。大数据的几个V：Velocity，Volumn，Veracity，Variety。针对Variety特性，Philip S. Yu 教授强调了广度学习的概念。在他看来，广度学习要强调以下三点：

1. 我们要能获取多种相关的数据。
2. 这些数据是异构的，使用模型整合数据，建立数据之间的关联。
3. 根据实际需求，对各数据源分别深度挖掘。

与其它学习任务相比：深度学习强调的是模型有多层，而广度学习强调的是输入的数据和模型的组成部分都很广；集成学习是对同一数据集采用多个分类器学习并集成学习结果，而广度学习是将源自多种数据的知识结合在一起；迁移学习强调不同数据源之间信息的迁移，而广度学习强调不同数据源之间信息的集成。

接下来，Philip S. Yu 教授结合实例，介绍了这种广度学习思想的应用。他举的例子分别是POI预测，多社交网络，Q&A系统中的意图挖掘。POI预测的例子中，引入了更多的数据，带来了更好的结果。多社交网络的例子中，找到不同网络各自的元路径，将不同资料合在一起（也提到了这有助于解决冷启动问题）。Q&A系统的例子中，他们使用了一个二元组进行标注，s代表用户询问的症状，n代表用户真正想了解的领域；标注后再进行学习，得到的模型能很好地理解用户的意图。

Social Network Mining —— 唐杰

唐老师先大体介绍了目前社交网络的数据状况。有两点给我留下了深刻印象：一是今日头条的用户每日使用时长，是70分钟（我有个朋友在头条，吃饭时问起这事，他说这个数据还不是最新的，现在应该不止，当初他决定去头条前，横向比较了一下，腾讯新闻的用户每日使用时长是20多分钟）；二是阿里内部做成了“One ID”这个事，对于同一个用户，用同一个ID连接起旺旺/钉钉等小的network。

然后唐老师讲了一下WEB 1.0/2.0/3.0时代的变迁，以及有代表性的算法和产品。而在现在异构的社交网络中，我们一是要挖掘个体的行为模式，二是要挖掘网络的拓扑模式。他给出了一个research roadmap（参见PPT），并针对图中的tie，提到了淘宝正在做基于用户间影响力的可信度推荐。

接下来就是硬广时间，唐老师讲了很久“学堂在线”与“小木”问答机器人的故事。在小木之后，介绍了一下他们在计算模型上的工作——在进行表示学习时考虑关系，对DeepWalk/LINE/PTE/node2vec给出统一的矩阵分解形式。

最后提了一下其它有趣的研究，比如微信红包的流向与传染性，王者荣耀用户间的影响力，微公益中什么样的项目能尽快筹集款项。

面向社交媒体平台的商业知识挖掘 —— 赵鑫

赵老师重点介绍了他们在商品推荐方面做的改进。在他看来，目前电商的推荐系统无法处理用户在社交网站的状态。比如，用户发一条“要换手机，求推荐”的微博，可能是想给父母换，也可能是想给女友换。他们可以通过监测微博及时发现用户的真实购买意图，使用社交信息刻画更准确的用户画像。而针对前面代购行为的例子，他们对每个case都用一个三元组表示，即(user,product,adopter)，这样做出了面向受众的产品推荐。用赵老师的话说，就是通过数据+弱知识+模型的结合得到强知识。

Influence Maximization in Social Network —— 宋国杰

宋老师一上来先以Hotmail为例，介绍了病毒营销的概念，作为一个引子。然后介绍了几个影响力模型，重点介绍了离散时间模型中的IC（Independent cascade）模型和LT（Linear threshold）模型，引入了影响力最大化模型，并介绍了有代表性的算法。

Human Computing —— James A. Evans

James是深耕社会学的学者，他的talk听下来主题其实是在讲团队架构对表现的影响。这才明白他PPT以《Human Computing》为标题的含义。他先抛出一个给牛估计体重的例子，以此引出一个问题——个体的独立性会有助于团队的表现吗？他给的答案是：这依赖于网络的结构。他们的研究发现，listening（倾听）, turn-taking（轮流发言？），women（女性成员）对团队都有助益。而团队越大，越中心化，就越厌恶风险，越难产生创新。之前在Coursera上修过一门课，《Model Thinking》。里面还重点讲过，在问题解决与创新方面，团队越大越多样，就越可能改变观察问题的视角，并重组出创新方案。感觉和James的结论略有偏差，会后向他请教了下，他说他们这边的工作是三周前刚发的，是最cutting-edge的……

12月23日

Modeling Dynamic Networks —— Wei Wang

王教授介绍了在做矩阵分解时考虑进时间因素的办法——TMF（Temporal Matrix Factorization），并详细介绍了在这些问题上的应用与表现：link prediction，community detection，anomaly detection，network reconstruction（考察增量更新），classification等。

Semantic Representation Analysis (SRA) and Selected Applications —— Xiangen Hu

胡教授先简单介绍了下我们学习的过程，同一个词，在不同语义空间中的含义是不同的。由此提出了要在与应用正确对应的语义空间中进行导学交互。然后介绍了他们做智能导学的成功例子。他还提到了构造语义空间时，他们把关键词扔到Wikipedia中进行“生长”，这里给我留下了比较深的印象。

Heterogeneous Information Network Modeling and Analysis —— Chuan Shi

石教授介绍了异质信息网络的数据挖掘。在纵向回顾历史并横向对比了一些概念后，石教授介绍了三个具体问题上的应用：相似度搜索，推荐，恶意软件检测。讲到第三个例子时，他说抽取的特征是API之间的调用关系，网络刻画了API之间的交互，有种眼前一亮的感觉。

Network Embedding —— Peng Cui

崔老师认为大数据时代的挑战不仅在于数据规模的指数级增长，更在于数据之间的关联，使得我们要处理的实际问题，规模的增长成了指数的指数级。我们表示网络时，用的是节点和边；他抛出一个论断，祸根就出在边（即数据之间的关联）上。他介绍了他们的工作，就是将网络映射到一个向量空间里，并且找到了一些问题在两个空间中的对应表示。据他介绍，他们组里目前支持到了千万级网络，下一个目标是处理十亿级的网络。

在线社交媒体中的信息传播预测 —— 沈华伟

沈老师这个talk和前一天宋老师的talk有相关之处，都牵涉到信息传播和最大化影响力的研究。他也讲了一下经典的模型和算法，并介绍了他们使用微博数据，进行热点事件传播的研究案例。他认为要考虑时序信息，结构信息和用户信息；要用框架将预测精度和可解释性结合起来。

12月24日

语言表示学习与计算社会科学 —— 刘知远

以前在学校里上自然语言处理课时，用的教材就是刘老师的《计算语言学》。刘老师上来先举了“前表示学习时代”的研究实例，再介绍了“分布式表示学习时代”的word2vec，最后强调了，计算社会科学研究比的是“想法”，可能从计算机科学的角度来看，实现的难度未必有多大，重要的是能想到计算机里的某种工具能解决社会科学中的某个问题；而信息的多源异构，难以建立语义关联，是我们面临的挑战，也是我们的机遇。

社交网络中的群体用户行为分析与表示学习 —— 杨洋

杨老师详细介绍了三个合作案例。第一个案例是与中国电信合作，使用电信提供的通话数据，他们研究了一个社会学问题——上海移民群体的行为模式。第二个案例也是电信领域，研究诈骗电话的通话模式。第三个案例是与拍拍贷合作，根据用户通话模式判断是否会逾期。并结合合作案例，介绍了一些学术上的思考。

Multi-Dimensional Analysis of Massive Text Corpora —— Jiawei Han

韩老师是数据挖掘领域的奠基人。也可以说是这次本次讲习班最大的腕了。课间大家都排队找他签名。可能主办方出于某些考虑，就将原本放在最后的panel讨论调到韩老师的talk之前。结果panel严重超时；而很多人要赶高铁或飞机，韩老师在讲PPT时，我时不时听到身后有起身离场的声音，也是尴尬。

韩老师认为，现在数据大部分都是无结构的。我们要从数据中挖掘出知识，就要在挖掘之前先做结构化的工作。结构化有转化为network，也有转化为cube。赋予结构之后，挖掘的表现会更有力。

其它方面一些感慨：

1. 学术界和工业界关心的重点还是不一样的。有两位听讲的小伙伴都问到了talk中的内容，能否支持亿级的用户规模。当时一听就猜是同事。会后一问，果然是。：）
2. 感觉到阿里在数据上做的事情比我们要多，希望是本次讲习班样本空间太小，给我造成的错觉。

最后，再次感谢组织给我这次难得的学习机会～