基于大众选择的网络信息语义性甄别研究

The approach of user generated content (UGC) can not only intensify the degree of false or redundant about Web information, but also provide possible condition for improving the objective reality and demand relevance in the process of Web information acquisition. To eliminate the interference of false or redundant Web information, this research try to construct semantical discrimination models by the theories of social choice, group selection, community partition of social network,and statistical inference and similation based on the related mechanisms of collective choice from the perspective of social annotation or comment about Web information in the process of user generated content.The main contents studied in this research are as follow: (1)Analyze the interactive effect between information content and user's demand based on collaberative choice, and analyze the mechanism of collaborative choice; (2)Construct the model about formation or evolution of community or domain concept space based on associative choice, and analyze the mechanism of associative choice; (3) Construct the model about discrimination or match of information content and user's demand in relevent community or domain concept space; (4)Constuct the model about evolutive update of concept space based on learning choice, and analyze the mechanism of learning choice; (5)Evaluate related mechanism or model by empirical research, behavior experiment or computer simulation. The results of this research will enrich the theories of collective intelligence, social choice, and group selection, and provide theories and methods for social retrieval, personal recommendation, and public sentiment monitoring.

用户生成内容（UGC）既增加了网络信息的虚假及冗余程度，又为网络信息的真伪甄别及其需求相关性甄别提供了可能性。为了克服虚假及冗余信息的干扰，本研究拟从用户生成内容的大众标注视角，基于其内在的大众选择机制，运用社会选择理论、群体选择理论、社会网社区划分理论、统计推断及模拟理论，构建网络信息的语义性甄别模型。主要工作有：（1）基于协同选择的用户需求与信息内容的交互效应及其协同选择机制分析；（2）基于关联选择的社区或领域性概念空间形成模型构建及其关联选择机制分析；（3）特定社区或领域性概念空间中信息内容与用户需求的甄别及匹配模型构建；（4）基于学习性选择的概念空间更新模型构建及其学习性选择机制分析；（5）基于实证研究、行为实验及仿真模拟，对相关机制及模型进行有效性评价。相关研究成果可丰富集体智慧、社会选择及群体选择等理论，并可为社会化搜索、个性化推荐及网络舆情监测等应用提供相关理论及方法。

本项目的研究目标是构建基于大众选择的网络信息内容特征的甄别模型，以提高网络信息获取的客观真实性；构建基于大众选择的用户需求偏好的甄别模型、以及网络信息内容特征与相关用户需求偏好的匹配模型，以提高网络信息获取的需求相关性；揭示概念空间形成及演化过程中，大众选择行为的影响因素及内在机制，把握关键因素及环节，以期进一步优化相关概念空间形成及演化模型、相关概念空间中信息内容特征与用户需求偏好的甄别及匹配模型，进而提高网络信息获取的准确性和相关性。针对上述研究目标，本项目完成了如下三方面研究成果：. （1）基于大众选择的概念空间形成及演化模型构建：揭示了社会化学习用户的场景性决策机制；分析了关键词相似度识别的社会化语义空间特征；构建了成对属性关联的语义空间模型；揭示了基于时间序列的维基百科编辑贡献行为的动态性机制。. （2）社区或领域概念空间中用户需求与信息内容甄别与匹配模型构建：构建了众包环境下供需任务信息的优化匹配模型；构建了基于加权元组潜在语义分析的社会标签推荐模型；构建了基于用户选择的产品属性权重确定模型及对TOPSIS法的改进；构建了基于Salop模型的商品价值敏感性及其效用评估模型。. （3）概念空间形成中大众选择行为的影响因素及其内在机理分析：提出了新型网络环境下用户与信息耦合机制的研究范式；揭示了社会选择函数的性质及应用范围；构建了基于社会化标注的隐私保护相对性协调模型；构建了基于优化配置的关键属性选择模型。. 基于社会化搜索、个性化推荐等方面的应用，对相关模型进行了相应的的仿真模拟及实证研究：仿真分析了投票者权重对社会选择结果唯一性影响机制，以及面向众包任务优化配置的供需信息甄别与匹配的内在规律；实证分析表明，本项目所构建的网络信息语义性甄别模型，如投票者对方案属性的敏感性模型、基于加权元组潜在语义标签推荐模型、以及基于成对关联属性空间的分类模型等，有助于提高网络信息的准确性及相关性。