复杂信息网络作为一类复杂信息系统,承载了复杂的数据、信息和知识,与其他信息载体相比,最大的不同在于:网络中个体与个体间具有相互作用关系,蕴含了更深层的知识亟待挖掘。实际管理科学研究问题中往往伴随复杂数据结构,传统计算方法无法达到满意的结果,因此为了深入探究多源数据、异构数据、无标签数据在复杂信息网络中的数据价值,揭示复杂信息网络在数据驱动层面的规律和特性,本文重点研究复杂信息网络智能计算模型与算法,为智能信息服务与智能信息管理提供理论基础。本文主要研究内容如下。(1)多源动态信息迁移中的智能计算模型研究从动态信息迁移角度出发,结合复杂交通网络上的信息服务提出了智能交通多源信息服务多视角自适应学习模型;受网络动态传播的遗传免疫过程启发,又提出了基于迁移学习的朴素贝叶斯实例加权遗传模型。智能交通多源信息服务多视角自适应学习模型,是一类数据驱动型的智能服务模型,依靠迁移学习机制对多源服务信息预处理、高维多视角数据智能学习和自适应优化模块训练达到智能计算要求。该模型从智能交通实际应用问题出发,引入并改进了牛顿迭代算法、多层前馈神经网络模型和有限混合分布表示模型,通过实验验证了该模型的期望效果。朴素贝叶斯实例加权遗传分类模型,是一类数据驱动型自适应迁移学习方法,基于非线性的计算原理,继承了人类免疫机制中的记忆能力,具有遗传免疫特性。该模型在UCI标准数据集和3组现实文本分类数据集上进行了分类任务实验,以分类精度检验模型智能计算效果。(2)无监督迁移学习在智能计算中的算法研究引入迁移学习框架,着眼于跨信息域的知识迁移过程,弥补目标域数据样本过小、跨域迁移样本的数据结构不对称等问题造成的原有智能计算算法能力不足的缺陷,并充分考虑现实应用中标签数据占无标签数据比例极小的现象,提出无监督迁移学习在智能计算中的新算法:基于异构属性空间的无监督迁移学习算法和复杂交通信息服务网络的多实例图迁移聚类算法。基于异构属性空间的无监督迁移学习算法,从无标签和属性空间异构的跨域计算角度,改进监督学习和半监督学习框架下的传统支持向量机模型,在没有标签辅助修正训练过程的情况下,提出源域无监督多任务选择机模型,实现属性空间异构的跨域知识迁移,完成目标域智能计算任务,该算法通过理论推理进行验证。复杂交通信息服务网络的多实例图迁移聚类算法,从无标签、实例空间变异、数据结构带有图结构特征的二分多实例分类角度,将原有传统多实例学习算法拓展为多实例图聚类迁移学习算法,通过实例属性表达、混合核模型、智能聚类初始化和智能聚类更新策略,实现该算法稳定的计算效果,该算法的准确性和高效性在复杂交通网络数据集上实验验证。(3)复杂信息网络关键性节点智能评价模型与算法研究通过比较基于控制力指标的关键性节点智能评价模型、基于中心性指标的关键性节点智能评价模型、基于异构融合的关键性节点智能评价模型与基于传播机制的关键性节点智能评价模型,探讨了复杂信息网络关键性节点智能评价模型创新性。着眼于复杂信息网络关键性节点智能评价算法,考虑网络全局连接情况,本文提出基于全局递归的关键性节点智能评价算法。该算法充分考虑网络节点关键性评价中间接连接效应,将所有相连节点作为整体进行评价,通过全局递归训练得到全局连接权重参数,表达节点间的连接强度,将参数训练机制引入Friedmann基础网络关键性节点智能评价实验中,进行实验验证关键性节点智能评价效果。(4)数据驱动型多源信息智能计算实证研究结合数据驱动型多源信息智能计算思路,突破复杂信息网络中用户行为建模的原有限制,提出数据驱动型城市智能交通用户行为5S理论模型,将用户行为抽象成5S维度要素、定义5S要素结构并设计模型在Map-Reduce过程下的智能计算。通过实证研究分析智能交通网络中的多源影响因素,对比传统影响因素提取采样与总体样本的智能聚类结果差异,探讨基于总体样本思想在数据驱动型智能计算研究中的适用性,最后分析数据驱动型多源信息智能计算采用总体思想的内在机理。论文创新点:(1)通过迁移学习模型与算法实现复杂信息网络上的多源知识迁移。(2)利用无监督机制智能获取无标签数据中的有用信息。(3)在动态信息网络完成多源信息迁移中的自适应学习。(4)结合复杂网络理论提出的智能计算模型和算法服务于实际复杂信息网络智能计算问题中。