基于深度融合的信息传播用户行为分析和影响预测研究

With the explosive growth of social media users and information, the behavior of users in information propagation has a decisive influence on people's work, life and national even international great events. Therefore, it is very significant and challenging that analyses users’ behaviors and predicts the influence in social media large-scale information propagation. In this project, we will study effective methods to address the challenges of multi-factor fusion, dynamic role and influence prediction in uses’ behavior analysis. Specifically, we will integrate multi-modal topics and heterogeneous user networks embedding to model the interests of cross-platform users. On the basis the embedded heterogeneous user and information propagation networks, we will perform dynamic role mining and community detection under each topic in the true and false information propagation processes. Based on the fusion of propagation factors, dynamic information propagation model will be built by integrating dynamic role perception and hybrid neural network. The goal is to propose a series of new methods that bases on deep learning and deep fusion of multi-platforms, multi-modals, multi-features and multi-topics, achieving high convergence for the features of users’ behaviors, good identifiability for propagation behavior and accurate influence prediction. For experiments, we will validate the effectiveness of the algorithms with hot social media events. The achievements obtained by this research will be of great reference to other related fields.

随着社交媒体用户和信息的爆炸式增长，用户在信息传播中的行为对人们的工作、生活甚至国际、国家热点事件产生决定性的影响，因此研究社交媒体规模化信息传播过程中用户行为分析及影响预测是一个十分重要而且极具挑战的一个课题。本项目主要解决信息传播用户行为分析多因素融合、动态角色和影响预测的挑战，主要研究集成多模态话题和异构用户网络嵌入的跨平台用户传播行为融合的用户兴趣建模，基于异构用户关系及传播网络嵌入进行分话题的真假信息传播过程的动态角色挖掘和群组探测，在传播因素融合的基础上研究动态角色感知和混合神经网络的动态信息传播影响模型，对用户传播行为进行分析和影响预测，目标是提出一系列基于深度学习和多平台、多模态、多特征、多话题深度融合的用户行为特征可融合性高、传播行为的可辨识性好、影响的可预测性准的新方法，并利用热点社交媒体事件数据验证算法的有效性，研究成果将对其他相关领域的研究有很好的借鉴意义。

针对社交媒体规模化信息传播用户行为分析和影响预测问题，进行传播信息特征提取及预处理研究，包括融合多源信息的知识表示学习，基于多模态融合的视频弹幕评论自动生成模型，基于全层级注意力实体关系抽取，基于记忆单元与多模态融合的视频实时评论自动生成模型等；进行用户兴趣建模及信息推荐研究，包括基于带负反馈深度强化学习的商品推荐方法，基于图神经网络的用户兴趣建模及推荐，基于时空特征的用户兴趣建模及个性化推荐，基于离线用户环境和动态奖励的交互式推荐，基于注意力机制的多模态神经网络模型等。进行信息传播用户行为分析研究，包括上下文文本情感分析模型，基于BERT的增强多任务学习方法，基于依存句法分析的细粒度情感转换，面向问答情感分析的上下文感知神经模型, 基于自监督多任务学习的多模态细粒度情感分析方法,使用统一编码器的情感分析折叠合理化解释；社区强度增强的信息传播网络对比学习。进行基于信息传播的虚假新闻检测研究，包括新闻-评论关联性分析的虚假新闻识别方法，基于新闻评论网络池化模型，基于自监督的多模态虚假信息检测；进行信息传播用户行为分析跨域研究，包括基于最小二乘距离的非对称特征映射对抗联合域适应方法，基于对抗动态参数学习联合域适应方法，基于间隔的小样本增量学习的跨域分类；进行用户行为影响及信息流行度分析研究，主要包括多主题权威度敏感影响最大化算法，基于自监督异构图神经网络的社交媒体内容流行度预测。进行大规模分布式机器学习加速与优化技术研究，包括基于使用局部补偿的重叠同步并行机制的快速分布式训练，异步联邦学习全局动量梯度调度，掉队者容忍方法的异构感知的梯度编码方法，本地补偿的间歇性拉取新算法；取得一系列重要的研究成果，具有重要的理论和实际应用价值。发表论文26篇，申请国家发明专利21项，其中获批6项，国际合作与交流11人次，培养10名博士生和38名硕士生。获得2022年中国产学研合作创新成果二等奖、湖北省科技进步一等奖。