基于大数据的社会行为预测理论和关键技术

This project formalizes the problem of prediction of macro social behavior as the sub-problems of representation learning, salient subgraph discovery and its evolution prediction in sequential multi-relational attributed graph, which responses to the research topic of ‘Social Behavior Prediction Based on Big Data’ for NSFC-GENERTEC joint funding. This project will firstly build a sequential multi-relational attribute graph to model the big behavior data and then mainly focus on the following research problems: (1) representation learning for big behavior data, so as to precisely embed the graph into continuous vector space; (2) anchor user prediction, which aims to fuse user profile from different platforms; (3) salient macro social behavior discovery for detection of macro social behaviors; and (4) evolution modeling and prediction of subgraph. The innovative aspects of the project are: (1) a meta-path and regularization based sequential multi-relational attribute graph embedding model; (2) a semi-supervised and GAN based anchor link prediction model; and (3) a salient sub-modular identification model from sequential multi-relational attribute graph and a macro behavior evolution model based on multiple interdependent GRUs with reinforcement learning.

针对本联合基金项目指南中的“基于大数据的社会行为预测理论和关键技术”研究方向，本课题将“基于跨媒介大数据的群体社会行为演变预测”的应用问题转化为“基于时序多关系属性图的表示学习、显著性子图发现及子图演化预测”的研究问题，用时序多关系属性图来描述动态的跨媒介行为大数据，在此基础上着重研究以下内容：(1) 跨媒介行为大数据表示学习方法，用于时序多关系属性图的精准再表示；(2)跨媒介锚用户预测方法，用于关联、匹配不同媒介上的用户帐号；（3）时序多关系属性图上的显著子图发现算法，用于群体社会行为的发现；（4）子图演化预测算法，用于群体社会行为的动态建模和演化预测。该课题的创新在于：(1)基于元路径和正则约束的时序多关系属性图表示学习模型；(2)基于半监督学习和生成对抗网络的锚用户预测模型；(3)时序多关系属性图的显著子图发现模型和基于多GRU连接网络强化学习的子图演化模型。

随着社会化媒体、社交网络、自媒体等技术的普及应用，散布在不同媒介平台上的跨媒介大数据蕴含着重要的信息，如何有效地挖掘跨媒介大数据中的社会行为逐渐成为社会管理、公共安全等领域的重要研究问题。因此，本项目以基于跨媒介大数据的用户社会行为演变预测问题为核心展开研究。本项目在分析群体社会行为的多关系、多属性与时间序列等方面特征的基础上，重点研究基于时序多关系属性图的表示学习模型，以及该模型下的相关算法。课题的主要研究成果包括：基于泛化张量积的多关系图卷积网络算法、基于网络嵌入的锚用户一致性匹配算法、基于自注意力机制的多变量时间序列分类算法、基于正则逻辑规则约束的表示学习与用户情感特征识别算法、基于知识约束胶囊注意力网络的层次情感分析算法、基于级联SEIRD网络的大数据疫情演变预测算法等。本课题在属性图表示学习、用户社会行为预测等模型和算法方面的研究成果可应用于舆情分析与监测、疫情演变预测、社会网络分析等应用中。基于本课题的相关研究成果，已在包括IJCAI、ACL、IEEE Transactions等重要国际学术会议或国际期刊上发表了一系列论文。