【摘要】：本文研究基于點過程的行為過程建模。在大數(shù)據(jù)時代下,累積了大量行為數(shù)據(jù),比如醫(yī)療就診記錄,電子商務(wù)購買數(shù)據(jù),社交行為數(shù)據(jù)。對這些數(shù)據(jù)的挖掘和利用,具有重要價值,具體應(yīng)用包括商業(yè)并購預(yù)測,論文流行度建模,疾病的預(yù)警和演進,行為模擬。首先對于真實應(yīng)用,我們設(shè)計了參數(shù)化的點過程,并設(shè)計了新穎高效的求解算法。參數(shù)化點過程方法主要是模型驅(qū)動的過程建模方法,通過反復(fù)驗證建立過程的抽象及簡化表示,其局限性在于:模型選擇需要較高的專家經(jīng)驗和領(lǐng)域知識,使得建模方法過于細分、通用性欠缺,不易適應(yīng)信息社會的開放環(huán)境和不斷涌現(xiàn)的新現(xiàn)象,不利于工程應(yīng)用。人類生產(chǎn)生活中產(chǎn)生并積累的過程大數(shù)據(jù),使得數(shù)據(jù)驅(qū)動的過程分析成為可能。將深度學習引入到過程分析,實現(xiàn)過程的端對端學習,降低應(yīng)用門檻,提高使用效率,針對這個問題,我們提出了深度點過程的概念,能從異質(zhì)數(shù)據(jù)中學習行為方式。我們分別針對時間敏感的事件預(yù)測,提出了基于最大自然法的深度點過程建模方法,該模型具有通用性和可解釋性。另外對于基于系統(tǒng)觀測或部分觀測模擬未來行為的問題,我們分別提出了基于對抗學習和強化學習的學習框架,能夠有效解決誤差累積,模缺失等問題。我們的模型在仿真數(shù)據(jù)和真實數(shù)據(jù)集均取得了較優(yōu)的效果。創(chuàng)新點R1刺提出了基于最大似然法的深度點過程模型,能夠有效地對異質(zhì)數(shù)據(jù)進行行為建模,并具有模型可解釋性。我們首先設(shè)計了新穎的參數(shù)化點過程建模方法和求解算法,解決真實應(yīng)用問題。參數(shù)化的模型無法適用于不同的數(shù)據(jù),針對特定的問題要提出不同的模型。針對上面的限制,我們提出了深度點過程模型,具有很高的普適性和模型可解釋性,并在仿真和真實數(shù)據(jù)集上得到了很好的驗證。創(chuàng)新點R2:針對基于系統(tǒng)觀測或部分觀測模擬系統(tǒng)未來行為的問題,我們提出了基于對抗學習的深度點過程建模框架。本模型對真實行為和仿真的行為的概率分布進行對比,最小化兩者的概率分布差異。在考慮行為概率分布時,能夠考慮行為序列的整體相似度,而不是最大似然法中單步的相似度,從而能夠很好的解決誤差傳播。同時,針對黑盒系統(tǒng),通常無法提前知道考察系統(tǒng)的行為模式,所以不能顯式的參數(shù)化建模。所以我們的模型基于深度點過程,能夠以數(shù)據(jù)驅(qū)動的方式學習系統(tǒng)的行為模式。創(chuàng)新點刳:針對基于系統(tǒng)觀測或部分觀測模擬系統(tǒng)未來行為的問題,我們從一個新的視角,提出了基于強化學習的深度點過程建模框架。行為的每一步都有一個反饋,而最終要考慮是整體行為的累積反饋。這樣既能夠?qū)γ坎竭M行評價,又能從整體上評估行為序列。我們還推導(dǎo)出了高效的學習算法,使得模型的求解速度相對于對抗學習有了很大提升。
【學位授予單位】：上海交通大學
【學位級別】：博士
【學位授予年份】：2018
【分類號】：TP181
，

本文編號：2637755