不完备大数据常见于人脸识别、智慧金融、电子商务、社交网络、电子政务、通讯运维、共享交通等典型大数据智能应用场景，主要用以描述极大实体集合间的不完备交互关系，其中蕴含丰富、多态的实体模式和知识。基于不完备数据，国科大重庆学院人工智能学院(中科院重庆研究院大数据挖掘及应用中心)取得了以下研究进展：

　　(1)不完备数据根据具体的应用环境，会具备特定限制。例如，社交网络领域中的用户-用户信任数据。现有基于不完备数据的分析方法并没有考虑对称特性，无法精确提取网络特征。针对上述问题，提出了一种对称非负隐特征分析模型，该模型在建模过程和隐特征求解过程中考虑目标数据的对称限制，可以更加精确高效表征对称网络。

　　面向不完备数据的对称非负隐特征分析模型

　　相关论文：

　　Xin Luo*, Jianpei Sun, Zidong Wang, Shuai Li, and Mingsheng Shang. Symmetric and Non-negative Latent Factor Models for Undirected, High Dimensional and Sparse Networks in Industrial Applications, IEEE Transactions on Industrial Informatics, 2017, 13(6):3098-3107. IF=9.112, 中科院分区一区.

　　(2)实际大数据应用中，数据并非静态不变，例如，云服务中的QoS数据。因此，分析该类数据时需要将时间尺度上的数据变化模式纳入考量。针对上述问题，提出了一种非负张量隐特征分析模型，该模型可以通过实体-实体-时间维三个维度直接作用于目标数据，可以高效精确的直接获取数据整体的时变模式。

　　面向不完备张量的非负隐特征分析模型

　　相关论文：

　　Xin Luo, Hao Wu, MengChu Zhou* and Huaqiang Yuan*. Temporal Pattern-aware QoS Prediction via Biased Non-negative Latent Factorization of Tensors. IEEE Transactions on Cybernetics, 2020, 50(5): 1798-1809. IF=11.079, 中科院分区一区.

　　(3)现有大数据应用场景对不完备数据的处理效率要求极高，现有基于不完备数据的隐特征分析方法收敛速度慢，无法满足实时处理的需求。针对上述问题，提出了一种基于转向乘子法的非负隐特征分析模型，该模型将大数据的分析任务分解为若干个子任务，其中每个子任务根据所有决策参数的最新状态来更新其中的子集，保持高精度的同时，大幅度提高了数据分析效率。

　　基于转向乘子法的非负隐特征分析模型

　　相关论文：

　　Xin Luo#,*, MengChu Zhou*, Shuai Li, Lun Hu#, and Mingsheng Shang, Non-negativity Constrained Missing Data Estimation for High-dimensional and Sparse Matrices from Industrial Applications. IEEE Transactions on Cybernetics, 2020, 50(5): 1844-1855. IF=11.079, 中科院分区一区.

　　 Xin Luo*, MengChu Zhou, Zidong Wang, Yunni Xia, and Qingsheng Zhu. An Effective QoS Estimating Scheme via Alternating Direction Method-based Matrix Factorization, IEEE Transactions on Services Computing, 2019, 12(4): 503-518. IF=5.823, 中科院分区一区.