2018 Fiscal Year Annual Research Report
Realtime Data Mining for Online Activities
| Project/Area Number |
16K12430
|
|---|
| Research Institution | Kumamoto University |
|---|
Principal Investigator |
櫻井 保志 熊本大学, 大学院先端科学研究部(工), 教授 (30466411)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
田島 敬史 京都大学, 情報学研究科, 教授 (60283876)
|
|---|
| Project Period (FY) |
2016-04-01 – 2019-03-31
|
| Keywords | Web情報解析 / 非線形テンソル解析 / ビッグデータ |
|---|
| Outline of Annual Research Achievements |
近年のIT技術の急速な発展により、Web空間ではデータ量が飛躍的に増大し、そして現在FacebookやTwitterなどの巨大なソーシャルネットワーク上では、日々大量の情報が高速に流通している。このようなWeb情報の時間発展の解析は、特定のビジネスのみならず、社会経済の活性化、環境、防災やエネルギーなど、重要な社会問題を解決するための効果的なアプローチとして期待されている。本研究では、オンラインアクティビティのダイナミクスを複合的に捉えるための高度な時系列解析技術を開発する。
本研究で扱うオンラインアクティビティデータは、Web上での特定の対象、すなわちアクティビティの時間発展を捉えるための情報であり、さらに場所などの情報を含み、(activity, time, location) のように構成される要素の一連のシーケンスとして表現される複合データである。
平成30年度は、引き続きオンラインアクティビティのデータを解析するためのモデル学習の研究に取り組み、様々な時系列パターンの連鎖をモデル化する新たなモデル学習手法を確立した。この技術は、これまでに開発した予測技術をさらに発展させたものであり、様々な事象を時系列モデルとして表現した後、その事象発生の要因を分析、事象間に存在する関係性、因果関係を抽出する。イベントや事故、トラブルのサイン（兆し）の要因を探り、適切な行動をアドバイスすることが可能となる。そのための重要な基礎技術である。
この新しい時系列予測手法については、オンラインアクティビティデータに適用し、技術評価を行った。研究成果として、最難関トップ国際会議であるKDD 2019に採択された。
|
Research Products
(11 results)
