结构化机器学习能从有丰富内在结构的数据中学习结构化假说，它已成为人工智能和知识处理的最重要研究领域之一，其研究具有重大理论意义和应用价值。结构化机器学习研究已取得较大进展，但还存在如下不足：缺乏面向大规模、异构、不完备关系数据和动态系统的高效、可扩展的模型和学习方法；大多数学习和推理算法研究是相互分离的；不能充分运用现有理论成果解决相关新问题；缺少结构化社会网络学习方法等。本项目拟重点研究大规模关系数据的多层次/混合模型，迁移学习方法，统计谓词发现方法，针对序列决策、不完备关系数据的学习方法，学习和推理深度结合的方法；面向大规模、动态、异构网络数据高效、可扩展、增量式协作/半监督分类和链接预测算法；高效的社会网络结构化学习方法。本项目的实施对深化人工智能研究，推进结构化机器学习在生物信息学、社会网络分析、Web挖掘和搜索等领域的应用具有十分重要的意义。
