“吕琳媛”的版本间的差异
（→编者推荐） |
|||
| 第84行： | 第84行： | ||
| − | + | ----- | |
| − | 本条目由 | + | 本条目由[[用户:乐多多|乐多多]]编辑，如有问题，欢迎在讨论页面进行讨论。 |
2020年7月17日 (五) 23:59的版本
基本信息
| 类别 | 信息 |
|---|---|
| 姓名 | 吕琳媛 |
| 出生日期 | 1984年 |
| 出生地 | 中国 |
| 居住地 | 中国，四川 |
| 母校 | 北京师范大学、瑞士弗里堡大学 |
| 主要研究方向 |
复杂性科学、网络科学和信息物理等领域。其中以网络上的链路预测，标签分类，节点角色挖掘以及推荐算法为主要研究问题。 |
个人介绍
吕琳媛，1984年5月出生，女，电子科技大学教授，阿里巴巴复杂科学研究中心执行主任。主要研究方向为复杂性科学，网络科学和信息物理等领域，其中以网络上的链路预测，标签分类，节点角色挖掘以及推荐算法为主要研究问题。国际网络科学学会 The Network Science Society 理事会成员。国家优秀青年基金获得者，入选2018年《麻省理工科技评论》中国区“35 岁以下科技创新 35 人”名单。
已发表论文60余篇，有9篇论文入选ESI全球Top-1%高引论文，论文引用7000余次，发表期刊包括《PloS ONE》，《美国物理评论》、《欧洲物理快报》、《荷兰物理A》、《欧洲物理杂志B》、《中国科学》等国内外权威期刊。学术成果具有一定的影响力，曾在多个国际国内会议中作大会报告或邀请报告。
教育背景
- 2002/09-2006/07 北京师范大学，管理科学，学士
- 2006/09-2008/07 北京师范大学，系统分析与集成，硕士
- 2008/09-2012/03 瑞士弗里堡大学，物理系，博士
- 2013/12-2014/04 美国波士顿大学，物理系，访问学者
工作经历
- 2017/06 至今 电子科技大学，基础与前沿研究院，教授
- 2012/06-2017/06 杭州师范大学，阿里巴巴复杂科学研究中心，教授
学术背景
研究领域
复杂性科学，网络科学和信息物理等领域。其中以网络上的链路预测，标签分类，节点角色挖掘以及推荐算法为主要研究问题。
复杂网络信息挖掘
针对网络信息挖掘的一些重要问题在基础理论方面的研究，包括如何在不完全信息下提升预测排序精度；如何处理噪音数据；如何理解多节点的协同行为及其涌现的宏观特征；如何处理多层、多关系、相互依存以及网络的网络等具有复杂结构的网络；如何设计大规模快速算法以及演化网络的增量算法；如何进行有效的评估建立客观公正的评价体系等。
社交网络分析
人类社会是一个开放的复杂系统，结合统计物理学、社会学、计算机仿真科学和认知神经科学等交叉科学的相关技术与方法，重点关注智能化社会信息获取、分析与处理、海量社会媒体信息获取和表示、社会信号处理、社会媒体分析与社会媒体智能、社会智能与认知、舆论传播与控制、社会组织结构演化和优化等。
脑网络
人脑约有1000亿个神经元，目前的技术远远没达到能够构建神经元层次的脑网络的地步，且在未来的五到十年都很难实现这个目标，但是在大尺度和中尺度水平的脑网络研究已经取得了突破性进展，我们的大脑具有高效的模块化的小世界属性，同时我们的大脑做到了“成本和效率”的平衡，而且大脑的连接模式可以用来区分正常人和病患人群（脑功能网络异常检测），显示了网络神经科学的临床应用价值。此外，我们的生活在复杂的社会系统中，我们的大脑每天都要对这个系统进行交互响应，洞悉大脑与认知的关系，明确社会经历对大脑的塑造，探讨大脑网络的动态演化，研究大脑的结构基础与功能的关系都将会对包括人工智能在内的一系列领域产生深刻的影响。
代表性文章
- Recommender Systems; Physics Reports 519, 1-49; L. Lü, M. Medo, C. H. Yeung, Y.-C. Zhang*, Z.-K. Zhang, T. Zhou,2012
- The H-index of a network node and its relation to degree and coreness; Nature Communications 7：10168; L. Lü*，Tao Zhou， Qian-Ming Zhang，H. Eugene Stanley* ,2016
- Toward link predictability of complex networks; PNAS 112(8), 2325–2330,L. Lü*，L. Pan, T. Zhou, Y.-C. Zhang, H. E. Stanley* ,2016
- Link prediction in complex networks: A survey; Physica A 390, 1150; L. Lü, T. Zhou*,2011
- Leaders in Social Networks, the delicious case; PLoS ONE 6(6): e21202; L. Lü, Y.-C. Zhang, C. H. Yeung, T. Zhou*,2011
- Deviation of Zipf’s and Heaps’ Laws in Human Languages with Limited Dictionary Sizes; Scientific Reports 3, 1082; L. Lü, Z.-K. Zhang, T. Zhou*,2013
- Predicting missing links and identifying spurious links via likelihood analysis；Scientific Reports 6：22955; P. Pan, T. Zhou*, L. Lü*, C.K. Hu*,2016
- Avoiding congestion in recommender systems; New J. Phys. 16(6),063057; X. Ren, L. Lü*, R. Liu, J. Zhang,2014
- Quantifying the influence of scientists and their publications: distinguishing between prestige and popularity; New J. Phys. 14, 033033; Y.-B. Zhou, L. Lü*, M. Li,2012
- Manipulating directed networks for better synchronization; New J. Phys. 14, 083006; Zeng, L. Lü*, T. Zhou,2012
- Small world yields the most effective information spreading, New J. Phys. 13, 123005; L. Lü, D.-B. Chen, T. Zhou,2011
联系方式
- 电子邮箱：babyann519(at)hotmail.com
- 办公电话：13250807346
其它信息
编者推荐
书籍推荐
- 链路预测是网络信息挖掘中本质的问题，通过对已经观察到的网络结构和其他外部信息的分析，挖掘缺失的连接和预测未来可能出现的连接。链路预测算法综合运用了相似性分析、网络动力学、贝叶斯模型、机器学习、模体分析、似然分析等多学科方法和技术，在生物网络分析、朋友及关注对象推荐、个性化推荐、网络演化模型评价、标签分类、网络重构等问题上有着广泛的应用。本书不仅系统介绍了链路预测问题描述、评价指标和针对不同网络类型的各类代表性算法，还在其中讨论了许多网络科学研究本质性的问题。 链路预测问题清晰、内涵丰富、入门容易、具有挑战性，可以反映不同类型网络结构和功能方面形形色色的特征，特别适合作为网络科学与工程研究的题目。本书可供自然科学、工程技术科学以及社会科学领域的研究人员与广大在校生参考使用。
本条目由乐多多编辑，如有问题，欢迎在讨论页面进行讨论。
本词条内容源自公开资料，遵守 CC3.0协议。