社交网络中的空间自回归模型：理论与应用研究

As the rapid development of mobile Internet in recent years, data on social network platforms is playing one of the most important roles in big data sources. Thus modeling social network data has become a popular research topic. Evaluation of the effect of large-scale social network structure on multiple user behavior is a critical problem of both theoretical and practical significance. The classical spatial auto-regressive (SAR) model could be used to model the effect of network structure on user behavior. But in social network data, the model will be faced with challenges, such as high computational complexity, sample bias, and failure to capture multiple user characteristics. In this project, the SAR model will be redefined in large-scale social networks; estimators with computational complexity, which is linear in the sample size, will be proposed, and theoretical properties will be established in face of the above challenges; lastly, a multiple SAR model will be proposed to explain the effect of large-scale social network structure on multiple user behavior, and the theoretical properties of the corresponding estimator will be investigated. To summarize, this project will fully explore the SAR model in large-scale social networks and its estimator’s theoretical properties. The research results will be applied in social network platforms. This will make some suggestions for reference on chances brought about by social network applications.

近年来，随着移动互联网的飞速发展，社交网络平台的相关数据成为大数据资源主体之一，有关网络结构的理论研究逐渐成为热点前沿。如何在大规模的社交网络数据中，衡量网络结构对于多维立体用户行为的影响，成为了既具有统计理论意义，又具有实际应用价值的重要问题。传统空间理论中的空间自回归模型可以应用于衡量网络结构对用户行为的影响。但在社交网络数据中，将遭遇计算复杂度高，抽样偏差，难以刻画多维用户行为等挑战。本课题将在大规模社交网络中重新定义空间自回归模型；直面模型估计在当今时代背景下遭遇的挑战，研究模型的线性复杂度估计量并建立理论性质；最后，建立多维空间自回归模型，研究相关估计方法，以刻画社交网络结构对于多维立体用户行为的影响。总之，本课题将深入探索大规模社交网络中的空间自回归模型及理论性质，并将研究成果应用于社交网络平台数据之中，以期为社交应用平台带来的产业变革发展机会提供参考性建议。

近年来，随着移动互联网的飞速发展，网络平台的相关数据成为大数据资源主体之一，有关网络结构的理论研究逐渐成为热点前沿。如何在大规模的网络数据中，衡量网络结构对于多维立体用户行为的影响，成为了既具有统计理论意义，又具有实际应用价值的重要问题。传统空间理论中的空间自回归模型可以应用于衡量网络结构对用户行为的影响。但在大规模在线网络数据中，将遭遇计算复杂度高，抽样偏差，难以刻画多维用户行为等挑战。本项目在大规模网络中重新定义空间自回归模型；直面模型估计在当今时代背景下遭遇的挑战，研究模型的线性复杂度估计量并建立理论性质；最后，建立多维空间自回归模型，研究相关估计方法，以刻画网络结构对于多维立体用户行为的影响。本项目深入探索大规模网络中的空间自回归模型及理论性质，并将研究成果应用于网络平台数据之中，为网络应用平台带来的产业变革发展机会提供参考性建议。在完成此项目预计的研究内容基础上，本项目衍生了诸多其他网络研究成果，如双模网络研究分析，链路预测研究分析等。本项目对于网络数据分析的理论进行了诸多模型创新，建立了创新模型的通及理论性质，并做出了具体的应用示例。