多源异构在线社交网络中链路预测问题的研究

Link prediction in multiple heterogeneous online social networks is an important research issue for both academic sense and applied value in the area of social media mining. With the features of heterogeneity and real-time interactions for link formation on multiple social networks, this project focuses on investigating the interactions and correlations of users in different social network sites, and effectively fusing the similar or relative user information. With this basis, this project in-depth investigates the following problems: (1) constructing a network fusion model based on common users; (2) learning network representing with cross-network multi-dimension information integration; (3) predicting links by considering the interactions among information in multiple heterogeneous social networks and (4) development of prototype system. This research can facilitate the more comprehensive analysis of disciplines and the accurate prediction of future trend for social link formation. This research can also bring new insights for social network mining, and provide both theory and technique support for promoting the applying basic research on big data in social networks.

多源异构在线社交网络中的链路预测问题是社交网络大数据挖掘的重要研究方向，具有重要的理论意义和应用价值。本项目针对社交网络中用户链路形成的多源、异构、实时交互等特点，研究用户在不同社交网络平台上的关联性和交互性，有效融合多源异构社交网站中的相关信息。在此基础上，本项目深入研究如下问题：（1）基于公共用户关联的多源异构网络融合建模；（2）基于多维度跨网络信息融合的网络表征学习；（3）基于多源异构网络信息交互的链接预测；（4）原型系统的开发与实践。本项目的研究有助于对多源异构网络进行更全面的分析和对用户形成链路进行更准确的预测。本项目的研究成果可为社交网络的分析和研究提供新思路，为推动社交网络大数据的基础研究和应用研究提供理论与技术支撑。

本研究针对在线社交网络多源、异构、实时交互等特点，从研究相关信息在不同网络平台上流通的交互关系以及网络平台之间的关联性和交互性的基础上，利用广度学习理论深入分析与研究多源异构社交网络平台上的多源信息融合方法、信息传播机理与模型，提出了基于社交网络的影响最大化算法，对特定的话题的意见挖掘算法以及基于上下文注意力的异构信息网络表示学习算法，发表5篇国际论文，申请3项发明专利，培养5个研究生，研究成果为社交网络大数据的分析和研究提供新思路，为推动社交网络大数据的应用基础研究和应用研究提供理论与技术支撑。