图数据是一类广泛存在的非结构数据，如何对其进行有效地分析与挖掘是目前学术界和业界所共同关注的热点问题之一。近两年来，周川与合作者在网络对齐、异质图神经网络、社交推荐、稠密块检测等问题中取得了一系列重要进展。 

　　1.面向跨网络用户对齐的深度主动学习方法。跨社交网络的用户对齐标注数据较为稀疏且通常面临标注成本高、难以获取等挑战。如何选取少量有效的未标注数据进行标注以提高跨网络用户对齐模型的性能至关重要。为此，周川与合作者提出了跨网络用户对齐的主动学习方法，该项工作基于用户社交图结构，通过设计用户对齐的深度模型、选择策略及选择函数，突破了主动学习所面临的未标注样本非独立同分布挑战，实现了在有限标注成本下最大限度地提升跨网络用户对齐模型性能的目的。相关工作发表在人工智能领域国际会议IJCAI-19上。 

　　2.基于关系结构的异质图神经网络建模方法。异质图在现实生活中广泛存在,因其节点和边具有多类型性，如何建模多类型之间的空间结构关系是异质图神经网络所需解决的重要问题之一。为此，周川与合作者提出了基于关系结构的异质图神经网络建模方法，该方法通过构建粗化的线图挖掘不同类型边的潜在关联关系，设计了融合节点和边信息的异质图神经网络来增强节点表示的学习效果，大幅提升了半监督节点分类的性能。相关工作以短文形式发表在数据挖掘领域国际会议ICDM-19上，本次会议的短文录用率为9.46%。 

　　3.基于本质偏好空间的社交推荐方法。社交推荐旨在利用社交图结构信息来更好地挖掘用户的兴趣偏好。面向该社交信息融合问题，周川与合作者提出了基于本质偏好空间的用户兴趣挖掘方法。该方法首次引入了本质偏好这个新概念，通过线性投影，构建本质偏好空间到具体偏好空间（如评分偏好空间、社交偏好空间）的映射关系，联合建模用户评分行为和社交关系，实现了对社会媒体用户本质偏好与投影规则的挖掘功能，预测准确度明显优于现有经典方法。相关工作发表在人工智能领域国际会议AAAI-18上。 

　　4.基于深度二部图学习的群组欺诈检测方法。群组欺诈隐蔽性高、难以识别，在现实中广泛存在，比方电商平台中刷单行为、社交媒体中水军行为等。因群组欺诈具有行动一致性特点，群组欺诈检测可转化为二部图上的稠密块识别问题。面向该问题，周川与合作者提出了基于深度结构学习的群组欺诈检测方法，该方法通过引入多隐层自编码器对二部图网络进行特征提取，最大程度保留原网络中深层次、远距离的非线性拓扑结构，实现了深度子图结构的特征提取。该群组欺诈检测方法不仅能突破低密度的限制，还能对多欺诈群组的数量进行自适应识别。相关工作以长文形式发表在数据挖掘领域国际会议ICDM-18上，本次会议的长文录用率为8.86%。 

　　相关研究成果发表如下： 

　　[1] Anfeng Cheng, Chuan Zhou^*, Hong Yang, Jia Wu, Lei Li, Jianlong Tan, and Li Guo. Deep Active Learning for Anchor User Prediction. In IJCAI-19, Pages 2151-2157. 

　　[2] Shichao Zhu, Chuan Zhou^*, Shirui Pan, Xingquan Zhu, and Bin Wang. Relation Structure-Aware Heterogeneous Graph Neural Network. In ICDM-19, Pages 1534-1539. 

　　[3] Chun-Yi Liu, Chuan Zhou^*, Jia Wu, Yue Hu, and Li Guo. Social Recommendation with an Essential Preference Space. In AAAI-18, Pages 346-353. 

　　[4] Haibo Wang, Chuan Zhou^*, Jia Wu, Weizhen Dang, Xingquan Zhu, and Jilong Wang. Deep Structure Learning for Fraud Detection. In ICDM-18, Pages 567-576.