首篇JCR一区SCI！梧桐大数据图计算团队在国际顶级期刊TIM发表文章

中移大数据 2022-12-17

810

近日，中国移动梧桐大数据图计算团队在国际顶级学术期刊《IEEE Transactions on Instrumentation and Measurement》（以下简称TIM）正式发表题为《A Deep Branched Network for Failure Mode Diagnostics and Remaining Useful Life Prediction》（基于深度分支神经网络的模式识别与生命周期预测方法）的期刊论文。该论文第一作者为中国移动信息技术中心李珍博士，是信息技术中心首次作为第一单位发表图计算领域SCI论文。

TIM由美国电子工程学会IEEE出版，由IEEE Transactions收录，是电子信息领域在国际上最有影响力的期刊之一。

论文针对各类业务间拓扑结构、产品、数据可用性与差异性较大（数据稀疏或样本数量不均衡）等通用问题，基于中国移动图计算平台，面向混合模式数据下的多场景学习任务，开发前沿人工智能方法。该研究首次提出了“针对图结构化的多学习任务深度融合方法”，构建了序贯式多任务图深度学习框架，实现了多种模式之间的横向知识迁移与不同任务之间纵向的知识迁移。在参数学习方面，该研究设计了耦合的多层级损失函数融合方式，推导了适用于图结构数据的随机梯度下降算法，大幅提升了多层级任务学习的模型效果。

序贯式多任务图深度学习框架

“针对图结构化的多学习任务深度融合方法”目前已成功应用于中国移动单权益推荐图模型，同时可广泛适用于全网客群精准业务营销、离网预测等图计算挖掘场景。具体而言，在上述场景下，由于中国移动用户体量巨大且类别丰富，难以使用统一的模型对全网用户行为进行精准建模预测。而使用多学习任务深度融合方法则可通过对全网多源用户行为混合数据进行特征提取及深度融合，从而探寻不同群组的行为特点，实现对用户群体的自动划分（如强黏着性的年轻高消费群体与成本驱动的低消费群体等）。该模型可根据不同类别群体进而自动分支出多子网络回归模型，实现营销或预测任务的精准学习。因此，通过将多模式用户数据进行序贯式联合学习，能够有效地将样本数据进行横向增强，实现多模式高维特征的自动捕捉与刻画；通过多层级任务的序贯式耦合方法，可有效提升不均衡情况下的数据质量及图模型学习效果。

中国移动作为全球客户规模最大的运营商，拥有丰富的数据资源以及图计算应用的广阔场景。此次SCI论文的发表体现了梧桐大数据团队在图计算领域具备高水平科研创新能力。未来，梧桐大数据将进一步深耕图计算与人工智能技术，依托中国移动资源优势和场景优势，持续探索反诈、推荐、图谱等各类应用场景与空间，推动数智化转型技术创新应用，切实为行业降本增效，让更多的用户享受到科技带来的红利。

大数据 sci

文章转载自中移大数据，如果涉嫌侵权，请发送邮件至：contact@modb.pro进行举报，并提供相关证据，一经查实，墨天轮将立刻删除相关内容。

首篇JCR一区SCI！梧桐大数据图计算团队在国际顶级期刊TIM发表文章

评论