群体性突发事件的动态模糊粗糙集预警模型研究

群体性突发事件的爆发严重威胁社会秩序和危害公共安全，认识事件的演化规律并实现及时准确的预警，对预防事件的爆发具有重要意义。.群体性突发事件预警建模的重要特征：其一，事件的爆发必然伴随着群体信息的交流，并构成复杂的社会网络；其二，事件的爆发是社会网络演化的结果，某时刻群体社会网络结构及其演化信息对预报下一时刻事件发展是有用的；其三，描述群体社会网络结构的特征是多类型的混合数据；其四，建模所用数据中存在模糊、随机等不确定性。.本项目基于已经发生的群体性突发事件的动态演化信息，构建基于时间序列上的群体社会网络图，利用图上数据挖掘(核函数)方法提取影响事件势态发展网络结构特征及数量特征，揭示事件爆发过程的演化规律；利用动态模糊粗糙集分析混合时序特征与事件状态之间的相关性，进行特征约简，形成预报因子，通过对样本数据集学习建立动态模糊粗糙集预警模型，实现对群体性突发事件及时准确的预警。

群体性突发事件的爆发严重威胁社会秩序和危害公共安全，认识事件的演化规律并实现及时准确的预警，对预防事件的爆发具有重要意义。本项目利用社会网络理论、图上数据挖掘、模式识别和机器学习（深度学习）等方法对该问题进行了系统的研究，主要包括以下几个方面：.第一，基于图形数据挖掘方法对已经发生的群体性突发事件的动态演化信息，构建基于时间序列上的群体社会网络图，建立了操控网络群体行为的识别方法，研究分析了虚拟社群图结构的频繁模式，构建了操控社群与非操控社群的频繁模式树，得到了操控社群与非操控社群的频繁结构，实验验证的结果表明模型具有较好的分类精度，能够保证操控网络群体行为的准确识别。.第二，进行了网络群体观点的舆情突发事件发展影响因素及发现方法研究。建立了网络舆情中群体用户中意见领袖的发现方法，及时发现群体事件形成的重要人物；同时，建立了网络舆情事件中群体的意见态度及其社群发现方法，即根据情感相似性，把网民的评论划分成不同的观点社群，提出了最长有序情感句挖掘算法来提取每个观点社群中的代表性观点，实验表明，该方法能够更加细粒度的分析网络舆情的特点，对于相关网络管理者掌控群体意见发展的动态变化有现实意义。.第三，构建了在线社交网络数据特征模型和进行用户连接预测研究。利用可变精度方法对微博在线社交网络数据特征进行分析，利用情感分析方法研究社交网络文本特征，分析不同类别的特征的对情感分类的贡献度；在此基础上建立了微博社交网络指数随机图模型，研究不同时期的模型中不同结构的演化过程，通过计算某一对节点连接前后的概率变化预测这一节点对建立连接的概率。此项研究成果可为舆情事件演化的用户数量趋势预测奠定基础，还可为社会化推荐系统提供最初的推荐列表。.第四，基于粗糙集方法建立公共健康突发事件预警方法并进行实证研究，建立了已发生的健康突发事件的数据集，其次基于粗糙集方法的事件特征提取和特征约简，尤其是早期特征是预测的关键，发现了公共健康事件的高转发微博的内容特征，建立了公共健康突发事件的预测模型，实证分析验证了该模型的有效性。.第五，建立了基于情感相似度的社会化推荐系统，并以新浪微博平台为例，研究如何利用各种信息构建社会化推荐系统。.第六，对社交网络的异常人群行为模式和自动识别方法问题进行了相关研究。包括基于深度学习的社交媒体文本的情感分类研究，失眠、抑郁症、艾滋病等人群的行为模式研究。