基于表示学习的在线社交网络信息传播模型的研究

The application of representation learning in social networks is a hot research topic. It has achieved great success in link prediction. However, it has not received enough attention from researchers who are studying on information dissemination in social networks. This project aims to study the information dissemination model based on representation learning. Taking users and information into consideration, we first explore the method to represent and extract features of information, then study the representation and extraction of users' features. With the above work, we focus on the integration of both users and information features, and present an information propagation model. Finally, we design and develop a prototype system oriented to social media data on the basis of the research work. This research is of very important theoretical significance. It helps us understand the mechanism of information propagation, reveal the implicit patterns, analyze and predict users' spreading behaviors. Meanwhile, the research work could be applied in intelligent recommendation, precise marketing, public opinion mining and managing.

表示学习在社交网络中的应用研究是一个热门课题，已经在链路预测方面取得了较好的研究成果，但在社交网络中信息传播的特征提取方面还有待进一步拓展与深入。针对上述问题，本项目拟研究基于表示学习的社交网络信息传播模型，从影响社交网络信息传播的用户和信息出发，探索信息的特征表示与提取，研究用户的特征表示与提取，构建融合信息与用户特征的社交网络信息传播模型，并在此基础上研发基于用户和信息的传播分析原型系统。本项目的预期研究成果对理解信息的传播机理、揭示网络中隐含的传播模式、分析及预测个体的传播行为等，具有重要的理论意义。同时，相关结果还能应用在智能推荐、精准营销、舆情分析及监管等领域，具有重要的应用价值。

表示学习在社交网络中的研究已经在链路预测、社区发现等方面取得了较好的研究成果，本项目以社会化媒体数据为研究对象，以数据挖掘及表示学习理论为支撑，旨在研究基于表示学习的社交网络信息传播模型。具体来说，从影响社交网络信息传播的主体用户角度出发，研究用户的空间行为、社交行为和内容行为的表示方法，并利向量化特征，深入研究用户的信息传播模型。. 主要研究内容包括：融合时空因素分析的用户空间行为特征表示与应用分析；融合情感、主题、关键字分析的用户内容行为特征表示与应用分析；基于异质网络表示的用户社交行为特征表示与应用分析；融合了用户的内容行为特征、用户的空间行为特征和用户的社交行为特征，开展了用户信息传播模型的构建。.重要研究结果包括：. 在用户空间行为特征表示与分析方面：提出了一种融合多种特征的位置和用户表示方法；提出了一种融合用户表示模型和用户网络结构分析的重要位置发现方法；提出了基于行为轨迹数据的用户网络构建方法。提出了基于行为轨迹数据的用户网络的演进方法等。.在用户内容行为特征表示与分析方面：提出了一种结合主题模型和表示学习模型的关键词提取和表示方法；提出了一种面向文本情感分类的词向量训练方法。提出了一种面向文本主题分类的词向量训练方法等。. 在用户社交行为特征表示与分析方面：提出了一种新的网络嵌入方法Rank2vec；提出了一种基于注意机制的异质网络表示学习方法；提出了一种在线社交网络用户的高影响力检测方法等。. 在融合多属性、多特征的用户社交网络信息传播模型方面：提出了基于独立传播方法的模型构建方法和影响信息传播因素分析和高影响力用户节点发现。. 通过本项目的执行，将表示学习理论、网络表示学习理论、异质网络表示学习理论进行的深入的融合与应用。推动了表示学习理论在不同领域的发展。提高了特征工程中特征提取的有效性。也为异质网络分析、社交网络信息传播分析提供了新思路。