跨空间异构社群时空特征关联分析及行为预测研究

Computational Social Science is the interdiscipline of computer science and social science. Community is the basic unit of human social activities. With the development of smart devices and mobile internet techniques, several new characters about communities are emerging, such as heterogeneous,cross-space, highly association, etc. Since we are working and living in various communities, by analyzing the large-scale data collected from online/offline communities, it is important to study the implicit features of communities (temporal-spatial, social), and the association and interaction patterns among distinct communities.The learned knowledge can be leveraged to enhance community-related social activities and improve our work performance. This project will mainly target the communities with cross-space features, and explore several crucial issues in it, such as online/offline community feature association and interaction. In detail, we will study:(1) cross-space community modeling;(2)feature extraction from heterogeneous communities; (3) geo-social feature association analysis; (4)cross-space behavior prediction. The significance of this research is to build the cross-space community knowledge model, discover the implicit association among geo-social features of communities, and explore the behavior prediction methods in multi-community environments. We will further push the usage of the developed techniques and findings to various potential application areas, such as social recommendation and information diffusion.

计算社会学探索计算科学与社会科学的交叉融合。社群是人类社会活动的基本组织单元，随着智能终端及移动互联网技术的发展，日益呈现异构交织、跨空间、复杂关联等特点。人们的日常工作大都需通过和各种社群交互来完成。分析交互过程中形成的线上线下数据并从中挖掘时空与社会特征，探索其内在关联和跨空间行为规律，进而提供智能化应用支持，可促进社群发展与信息共享、提高工作效率。本项目将以具跨空间特性的社交网络为主要研究目标，对线上线下社群特征关联及行为预测等问题进行深入分析和研究。具体研究内容包括：（1）跨空间社群建模；（2）异构社群特征感知；（3）时空与社会特征关联分析；（4）跨空间社群行为预测。本研究意义在于通过建立跨空间社群知识模型，进行关键技术研究，发现异构社群时间、空间属性及社会特征间的内在关联，探索基于异构社群特征交互的行为预测方法，并将研究成果推广到涉及社会化推荐、信息传播等重要应用领域。

人们的日常工作大都需通过和各种社群交互来完成。分析交互过程中形成的海量数据并从中挖掘时空与社会行为特征，探索其内在关联和跨空间交互规律，进而将其智能化反馈给用户，可促进社群发展与信息共享、提高工作效率。本项目围绕社群智能中的跨社群分析和挖掘问题进行深入研究。具体研究内容包括：1）跨空间社群建模；2）异构社群特征感知；3）时空社会特征关联分析；4）跨空间社群行为预测。.项目在如下四个方面取得重要研究进展。（1）跨空间社群特征、结构及行为交互建模。提出了跨社群感知与计算模型和群体参与式感知模型，实现细粒度社群发现与群体结构识别。（2）跨空间社群时空社会属性感知。提出移动群智感知4W1H属性及基于跨空间数据的动态群智激励机制，从大规模智能手机感知数据中挖掘个体及群体社会属性，开展基于跨空间数据开展城市动态情境感知研究。（3）跨空间社群时空社会特征关联及相互作用分析。在获得跨空间社群多维属性后，开展跨空间社群时空特征关联及相互作用分析研究。对线上线下行为交互进行了研究，分析了移动性和社会关系之间的关联，实现群体可视事件感知与呈现系统，提出基于微博多模态数据融合的事件脉络挖掘方法。（4）基于跨空间社群特征融合的行为预测。基于跨空间多模态感知数据，从群体活动组织、群智数据理解、群体商业智能三个方面开展特征融合计算及行为预测研究，提出信用分布影响力最大化模型进行活动参与者推荐，通过融合群体智能来实现大规模群体数据的高效理解。.基于本项目支持，在国内外重要期刊和会议上如IEEE TMC、IEEE THMS、IEEE TITS、IEEE Communications Surveys and Tutorials、UbiComp、INFOCOM等上发表论文85篇，其中SCI收录33篇。本项目关键技术实现专利申请10项，已授权5项。项目申请人入选国家万人计划青年拔尖人才（2017），获得教育部自然科学二等奖一项（排名第三），陕西省高等学校科学技术奖一项（排名第三），国际会议最佳论文奖一项。项目执行期间担任重要国际会议组委会成员（如大会共同主席、程序主席等）6次以上，并担任IEEE Comm. Mag.、IEEE THMS、ACM IMWUT等国际权威期刊编委。所做研究符合当前“以人为本”的计算理念，对于推动信息学科发展有重要意义。