1、 课题来源与背景： 真实世界学习对象的隐私保护、多义性、实时性等问题，造成了挖掘和分析的困难，需要更安全的收集数据，更全面的表述能力，更加复杂的学习框架进行挖掘分析，这也成为信息检索、数据挖掘和人工智能等领域的研究难点。本课题的研究正是在这一背景下提出的。

    2、 研究目的与意义： 大数据时代，人们希望通过海量的图文声像等各种类型的数据，从多个角度全面动态的了解对象（事件）的细节，并挖掘背后的深刻概念，传统的静态单一语义学习框架难以取得良好效果。只有通过对多方数据进行实时的安全的挖掘分析，发现其潜在内涵和关联性。 通过前期的研究和分析发现，实际应用中的学习对象突破了时间和空间的限制，具有以下三个特点：语义多义性、实时性、安全性。以上问题给识别方法研究的挑战可以归纳为：在概念漂移的环境下，如何在保证隐私的情况下安全的收集数据，学习对象的复杂语义，建立能自适应动态更新的识别模型，使之能从海量的数据流中在线学习并优化学习器。本课题围绕着这个关键科学问题展开研究。

    3、 主要论点与论据： 本课题需解决以下科学问题：复杂概念的多义性表征和动态识别问题。项目组在实际研究中，在解决以上科学问题的同时，对研究内容进行了扩充，主要包括以下几个方面： （1）安全地搜集数据。如何安全地获取可供实验分析的数据，且不窥窃用户隐私一个关键问题。为此，课题组在第一阶段的工作中，提出了基于流程的加密方法和基于属性的加密方法等关键算法，既保证了数据的获取，又使数据提供商不担心所提供的数据暴露用户的隐私。 （2）建立聚类树，使之在准确的识别作物生长特征同时，表征作物特征与语义关系。 （3）基于精度权重的概念漂移检测方法和自适应选择策略。

    4、 创见与创新： （1）课题组提出的大数据隐私保护问题，作为数据收集的重要一环，具有重要的现实意义，真正实现数据资源的共享。针对基于隐私保护的数据收集问题。 （2）建立基于集成学习的聚类树。 （3）基于精度权重的概念漂移监测方法，通过精度权重来评估子树对当前数据块的性能，合理选择最优子树。

    5 、社会经济效益，存在的问题： 研究的关键技术数据流的安全动态识别模型，结合了信息安全领域和数据挖掘领域，为数据挖掘领域增加了一种新的方法，为政府制定农业政策措施提供了决策依据；为农业专家系统的建立、精确农业的发展提供了数据流挖掘领域的技术支撑，并应用到农业信息化建设中，为农情信息管理关键技术的研究提供算法。其学术价值和社会价值都显而易见。 存在问题：该技术属于前沿技术，还没有被广大用户真正接受，给技术推广带来一定难度。

    6、 历年获奖情况： 无。