任务驱动社会网络实证研究

Traditional empirical studies of social networks mainly focus on the analysis and modeling of network structure, but rarely involve the data of other aspects, and thus have their limitations. However, currently, a number of cloud platforms emerge on the Internet, such as open-source software projects, electronic commerce, Q&A website, Wikipedia, and so on; the users on these platforms are virtually organized to accomplish various tasks efficiently and flexibly; these platforms thus provide rich data sets, which can not only be used to describe the social network structure, but also record the technical contributions of individuals and teams, and enable us to track the structure and quality of products. This proposal thus introduces the concept of task-oriented social network, in order to study the various social and technical data collected from these platforms in a unified theoretical framework. Particularly, a number of analysis methods in layered and temporal networks will be adopted to do the empirical study on task-oriented social networks in a systematic way: abstracting network structure from the data, mining the patterns of individual and team behaviors, and constructing the model between behavioral patterns and performance indexes for both individuals and teams, which are of great theoretical research value; based on these, further designing recommendation algorithms to guide the individual and team behaviors, and providing insightful suggestions for the optimization of team and product structure and task assignments, so as to lay a foundation for the future applications.

传统的社会网络实证研究主要集中在对其网络结构的分析及建模上，较少涉及其他方面的数据，具有一定的局限性。然而，目前的因特网上涌现出了诸多云平台，比如开源软件项目、电子商务、问答网站、维基百科等；用户在这些平台上自发地组成虚拟团队来高效灵活地完成各种任务；这些平台提供了极为丰富的数据，不仅可以用于描述社会网络结构，同时也记录了个体和团队的技术贡献、并可以跟踪产品的结构和质量。本项目因此提出了任务驱动社会网络的概念，用以在统一的理论框架下来研究这些平台提供的社会及技术方面的多样性数据。特别地，本项目拟采用多层、时效网络的多种分析方法，对此类任务驱动社会网络进行系统化地实证研究：从数据中提取网络结构，挖掘其中的个体和团队行为模式，构建其与个体和团队性能指标的关联模型，具有重要的理论研究价值；基于此，进一步提出行为推荐算法，同时为优化团队和产品结构及任务配置提供建议，从而为走向应用奠定基础。

本项目从不同的角度对丰富的实际数据构建不同的网络。以复杂网络理论为基础，提出一系列个体及团队行为模式，并将其定量化；进而构建行为模式和个体及团队性能之间的关系模型；在此基础上提出推荐算法来指导个体和团队行为，并进一步提出优化团队和产品结构以及任务配置的多种方案。鉴于网络科学领域的网络表征学习成为近几年的研究热点之一，我们研究了子图网络在连边权重预测与图分类任务上的应用，设计了基于粒子群优化的网络表征学习算法，实现了基于深度学习的端到端动态网络链路预测模型，并对现有的网络算法鲁棒性进行了分析。自本项目资助开始至今，课题组共发表基金资助学术论文27篇，其中SCI期刊论文19篇，CCF-A类国际顶级会议1篇；总计授权相关发明专利5项，受理相关发明专利20项。通过本项目的实施，共培养了7名硕士生，另有1名在读博士生和7名在读硕士生获得了本项目资助；组织项目组成员总计参加1次国际会议和10次国内会议，9人次赴美国、新西兰、香港等地大学访问交流，本人总计做了6次口头报告，与网络科学、软件工程、数据挖掘等领域的学者进行了深入的交流。整体而言，超额完成了预定目标。