Multisorgente Eterogeneo Grafico Grandi dati Apprendimento della rappresentazione

La grande quantità di dati accumulati e complessi comporta anche sfide per l'interrogazione e l'elaborazione. Con l'aggiornamento dei dati, il numero di nodi e bordi contenuti nel grafo può diventare sempre più grande. Il numero di nodi nei dati di struttura a grafo su larga scala può raggiungere milioni o addirittura centinaia di milioni e presenta le caratteristiche di multisorgente, eterogeneità, isomerizzazione e dinamica.I big data eterogenei a più fonti possono spesso essere modellati in una struttura di dati a grafo con l'apprendimento della rappresentazione. Il grafo di rete complesso ha normalmente alcune particolarità, che aumentano la difficoltà della ricerca. Il modello di apprendimento della rappresentazione dei dati a grafo eterogeneo complesso su larga scala ha un'ampia gamma di applicazioni in molti campi. Questo libro affronta questi modelli di apprendimento di rappresentazione dei dati a grafo eterogeneo multisorgente e le loro applicazioni nel campo della sicurezza pubblica.

Xun Liang lavora da oltre 20 anni nei settori delle reti sociali, dell'apprendimento automatico e dei sistemi informativi finanziari. È il principale esperto di molti progetti di ricerca e industriali. Ha pubblicato più di 250 articoli e 20 libri e ha richiesto o ottenuto più di 50 brevetti di invenzione.