一、团队研究方向

1、天文大数据挖掘

本研究方向利用机器学习和深度学习方法对海量的天文图像和光谱数据进行高效、准确的数据分析，主要包括：海量天文光谱预处理，稀有天体候选体挖掘，恒星大气参数测量，元素丰度测量，光谱分类，各类天文光谱模板创建，天文光谱Pipeline系统等。

2、安全大数据分析

本研究方向基于网络安全相关数据将人工智能技术应用于网络空间安全领域，专注于解决网络安全、软件安全和智能算法安全问题，主要包括：网络安全态势感知、软件漏洞自动挖掘、人工智能算法安全等。

3、社会大数据计算。

本研究方向基于真实的大规模社会化数据，研究社会运行规律、团队结构与组织、人际沟通与协作，主要包括：影响力最大化、信息扩散模型、网络结构演化模型、链接预测和用户移动轨迹分析挖掘等。

二、标志性成果

1、基于大数据与知识图谱的网络安全态势自动感知 （宋礼鹏等）

团队采集了***网络用户4年的网络访问行为数据，并构建了相关领域知识图谱。基于该数据集和所构建的知识图谱，从网络设备运行状况、网络行为以及用户行为等安全要素进行获取、理解，并预测网络的发展趋势，提高了网络安全态势感知的准确率；同时，提出了感知状态约简算法，有效提升了网络安全态势感知的效率。

相关成果获省自然科学奖1项，获国家授权发明专利2项，并已实现转化。

2、Searching for Hot Subdwarf Stars from the LAMOST Spectra. I. Method（卜育德等）

热亚矮星是一类中心正在进行氦燃烧并且具有很薄氢包层的特殊恒星，热亚矮星的形成及其性质对于研究恒星物理学、球状星团和星系具有重要意义。团队提出了基于深度学习的热亚矮星搜寻方法，使用一种新的机器学习算法HELM方法对热亚矮星进行分类。基于LAMOST DR4数据，搜寻出10000多个热亚矮星候选体，极大地扩展了热亚矮星样本数量，为后续热亚矮星的研究提供了高质量的光谱数据。相关研究发表在国际著名天文期刊《The Astrophysical Journal Supplement Series》上（SCI，IF:8.561）。

相关报道：

http://www.nao.cas.cn/xwzx/kydt/201801/t20180109_4930060.html

3、M Dwarf Catalog of the LAMOST Pilot Survey（衣振萍等）

M型矮星是银河系中普遍存在的一类恒星，在研究恒星结构及银河系起源等问题中都起到重要的作用。团队利用机器学习方法结合传统光谱测量方法测量并构建了LAMOST先导巡天M型矮星星表。最终得到LAMOST先导巡天M型矮星光谱参数星表。该项研究工作为后续的LAMOST正式巡天奠定了基础。迄今为止，LAMOST DR1-DR8 M矮星星表都是在该项工作编写的M矮星参数提取Pipeline的基础上完成的。该项研究成果发表在国际著名天文期刊《Astronomical Journal》（SCI, IF:4.96）,目前被引用40次。

相关报道：http://www.lamost.org/public/node/146

4、标注社会网络中的极性影响力最大化研究（李栋等）

针对当前影响力最大化研究未考虑到用户关系正负极性的不足，本团队将影响力最大化问题从无标注社会网络拓展到标注社会网络，并结合计算机科学、社会科学和物理科学等多学科知识提出可行的研究方案，进而建立了一套适用于标注社会网络，涵盖理论、模型和算法的极性影响力最大化研究体系，推动了影响力最大化在真实场景下的应用效果。相关研究成果发表于CCF推荐A类国际期刊IEEE Transactions on Knowledge and Data Engineering。

三、国家级项目

四、团队主要成员

博士招生导师：

宋礼鹏，Email: slp880@sdu.edu.cn

李 栋，Email: dongli@sdu.edu.cn

姜 斌，Email:jiangbin@sdu.edu.cn