社交媒体中语义一致的同步社群挖掘和表征

With the proliferation of social media, it creates new means of interactions among people in which they form different communities in the virtual world. However, the heterogeneity of user connections and incompleteness of user profiles make it challenging to detect meaningful and coherent semantic communities in social media. To tackle these problems, we aim at both meaningful community profiling and semantic community detection. We propose to analyze the social media contents to find the hidden attributes of users and differentiate the semantics of user connections. We develop a synchronized attribute-user co-community detection algorithm to simultaneously find the semantically coherent user communities and the meaningful attributes communities as their corresponding profiles. We also provide an incremental solution to handle the scalability and efficiency issues in the dynamically evolving social media.

社交媒体的广泛应用不仅提供了一个规模庞大、增长迅速的资源共享平台，同时也成为互联网中最大的用户交互与合作平台。社交媒体中用户通过建立关联关系，形成了不同的社群。然而，由于社交媒体中关联的异构性，以及用户表征的不完备性，为检测具有相同语义的用户社群带了一系列问题。本项目提出在社交媒体挖掘中群组表征的定义和用户语义社群的识别同等重要并相互影响，因此将通过挖掘用户社交媒体内容，分析用户在社交网络中的行为，以推测不完备的用户属性及用户之间关联的类别，同时以用户属性和关联的语义一致性为目标，提出一种同步的属性-用户社群检测方法，在双向增强的框架同时进行具有良好语义表征的属性-用户社群挖掘，并针对大规模和动态更新的社交媒体数据特点，实现了高效、可扩展的增量式群组挖掘算法。

本项目针对社交网络中社群挖掘与表征问题展开研究，首次对社群进行了全面的定义，在此基础上提出一种新的联合社群表征与挖掘模型，集成社交媒体中用户行为的异构特点进行同步的社群挖掘与表征。通过社群检测、链接预测、社群级别的信息传播、社群搜索排序等应用场景验证了该模型的有效性。同时针对该研究中关键问题：异构网络中节点的语义相关性展开深入的研究，设计了一种新的图结构嵌入模型对节点针对特定语义的相关性进行学习，该模型比已有的工作在语义相关性计算精度上有了很大的提升；并针对社交媒体大规模特点和动态更新特点，对语义相关性的高效计算进行了进一步深入的研究。