多源异构社交媒体用户关联及跨域突发热点预测方法研究

With the rapid development of network technology, the access methods for Internet have become diverse. Multi-domain data on Internet (such as Internet forums, online news media, mobile social networks, video websites, and so on) exist widely. Therefore, it is necessary to aggregate and analyze heterogeneous multi-source data, so as to reveal collective phenomena of user behaviours and information propagation, detect online emergencies, and filter useful information efficiently. However, current methods of data analysis cannot fulfill the task of heterogeneous and dynamic data processing. These methods only describe the local statistical properties, and ignore the correlations among domains. In view of above problems, this project will associate similar users in different networks. Then, local behaviour patterns will be aggregated, and the cross-domain prediction and recommendation will be carried out. The research focuses on the algorithms for similar user association in heterogeneous multi-source networks, global pattern mining of heterogeneous user behaviours, cross-domain personalized recommendation with fuzzy preferences, and transfer learning of emergency information. Based on the theoretical results, the project will develop a distributed platform of cross-domain emergency prediction. Research results can help to detect the public preferences, identify abnormal behaviours, give online emergency warning, and provide protection for Internet publicity. Overall, the project has great significance for Internet security and business entities.

随着网络技术的飞速发展，互联网的访问方式变得多种多样，存在着大量的多领域数据（移动社交、新闻媒体、网络论坛、视频网站等）。为了展现互联网中用户交互、行为模式、事件传播等现象的全貌，进而发现网络突发事件，同时实现有效的信息过滤，有必要对多源异构数据进行关联及分析。然而，目前的分析方法难以胜任跨媒体网络异构、动态数据的处理任务，仅描述了局部的统计特性，且忽略了领域之间的相关性。鉴于此，本项目将关联异构网络的相似用户，在此基础上，聚合局部行为模式，并进行跨领域推荐和热点预测。重点研究多源异构网络相似用户关联方法、异构用户行为的全局模式学习算法、基于模糊偏好的跨领域个性化推荐算法及突发热点信息的迁移预测方法。根据理论研究的结果，开发互联网突发热点的跨域预测平台。研究成果有助于发现大众偏好，识别异常行为，提供突发事件预警，为网络宣传提供保障，对互联网安全及企业实体具有重要的意义。

互联网中存在大量的多领域异构数据（如移动社交、新闻媒体、网络论坛、视频网站等），其中蕴含着多样化有价值的信息。无论从数据本身的角度考虑还是从应用需求的角度考虑，都有必要对多源异构数据进行聚合及深度挖掘，实现有效的信息过滤，展现互联网中用户交互、行为模式、事件传播等现象的全貌。.本项目提出了多源异构网络相似用户关联方法，根据用户的标签、个人简介等属性计算用户的背景相似性、关注被关注的社交相似性，提取用户近邻拓扑等特征从而获得结构相似性；提出了异构用户行为的全局模式发现算法，分析相似用户的跨社交网络行为协同性来挖掘共享行为模式；设计了一种基于异构反馈的循环式迁移学习推荐算法框架，促进辅助域与目标域之间的知识进行充分地交换；提出了一种基于模式匹配和注意力网络的突发事件识别算法，引入双层注意力机制捕获隐藏触发词信息；建立基于自激励点过程的信息流行度生成模型，实现了基于主题关联的跨域热点信息预测。在项目的支持下，发表论文17篇，其中SCI检索期刊论文14篇，中科院一区8篇，ESI高被引论文2篇。获得中国电子学会自然科学二等奖。申请发明专利4项，其中已授权2项，制定国家标准及行业标准1项，获得软件著作权2项。研究成果有助于发现大众偏好，识别异常行为，提供突发事件预警，恰当构建和谐的网络环境。