基于位置的社会化网络多尺度用户建模方法研究

With the rapid development of social media and mobile technology, location-based services and social networks begin to converge, resulting in the emergence of Geo-social networks. Geographic location bridges the gap between online virtual society and physical world. Unlike traditional online social networks and GPS trajectories, user behaviors in Geo-social networks are distributed in different check-in locations, thus low-sampling and sparse user data bring a huge challenge for current user modeling methods. Driven by multi-context information, i.e., time, space, content and social, this project will systematically research on theories and methods for multi-level (i.e., individual-level, relation-level, group-level) user modeling:①multi-context awareness individual user modeling;②large-scale mobile social relations modeling and inference;③location-based community formation modeling and explanation. Based on theoretical research, a prototype system will be developed and validated by case studies. The results will extend the theories and methods of traditional social networks and GPS trajectories on user modeling, and can be widely used in intelligent recommendation, abnormal behavior identification and users privacy protection, etc., which will not only play an important role in our smart city and security defense construction, but also bring economic benefits for industry and business.

随着社会化媒体和移动通信技术的迅猛发展，基于位置的服务和社交网络开始走向融合，逐渐形成了基于位置的社会化网络。地理位置将线上虚拟社会与线下真实世界关联在一起。与传统在线社交网络和GPS轨迹不同，基于位置的社会化网络的用户行为碎片化在不同的签到位置，因此低采样以及稀疏的用户数据给现有的用户建模方法带来巨大的挑战。本项目以时间、空间、内容和社交多情景信息为驱动，将系统地研究个体级别、关系级别和群体级别不同尺度的用户建模理论和方法：①多情景感知个体用户建模方法；②大规模移动社交关系建模和推理方法；③基于位置的社区形成建模和解释方法。在理论研究基础上，将开发一个原型系统并实例验证分析。研究成果将扩展传统社交网络和GPS空间轨迹的用户建模理论和方法，可广泛应用于智能推荐、异常行为识别和用户隐私保护等，不仅能够在我国智慧城市和安全防御建设中发挥巨大作用，同时也可以给工业和商业领域带来良好的经济效益。

随着社会化媒体和移动通信技术的迅猛发展，基于位置的服务和社交网络开始走向融合，逐渐形成了基于位置的社会化网络。地理位置将线上虚拟社会与线下真实世界关联在一起。本项目以时间、空间、内容和社交多情景信息为驱动，系统地研究个体级别、关系级别和群体级别不同尺度的用户建模理论和方法，提出了多情景感知个体用户建模方法；大规模移动社交关系建模和推理方法；基于位置的社区形成建模和解释方法。在理论研究基础上，分别与互联网企业奇虎360搜索部门和阿里云智能助手部门合作，得到了大量脱敏真实数据和大规模计算资源，原型系统得到充分验证表明我们提出的模型方法具有很大商业价值和用户价值。