动态社交网络拓扑结构特性分析关键技术研究

The topology structure analysis of dynamic social networks is helpful for public opinion monitoring and information dissemination controlling. This project focuses on the fundamental problems related to key nodes identification, dynamic community detection and community evolution analysis. (1) This project proposes identification methods for both superspreaders and superblockers. The methods identify superspreaders and superblockers based on their multi-attributes, respectively. (2) This project proposes an incremental dynamic community detection method based on influence scope analysis of incremental nodes and error accumulation evaluation. The method partially updates the community structure based on the influence scope analysis of incremental nodes (or edges) and dynamically adjusts community partition and updating strategy based on error accumulation evaluation. (3) This project proposes a community evolution tracking method. The proposed method builds mapping relationships between multiple kinds of key nodes and community evolution events, and then identifies community evolution events by tracking these nodes. With the help of this project, we can locate key nodes of dynamic social networks quickly, mine the clustering features of network nodes efficiently, and identify evolution events of dynamic communities accurately. Therefore, this project is of great theoretic value and practical significance.

动态社交网络拓扑结构特性分析有助于舆情控制与信息传播干预。本项目围绕拓扑结构特性分析中的关键节点识别、动态社区发现及社区演化分析等方面的关键性基础问题开展研究。本项目（1）提出信息传播骨干节点和信息抑制骨干节点识别方法，据两类关键节点的特征分别选取合适属性，从多属性融合的角度进行关键节点识别；（2）提出基于增量影响范围分析及错误累积评估的增量式动态社区发现方法，根据增量节点（边）的影响范围进行动态社区结构的局部更新，并依据错误累积程度动态调整动态社区划分与更新策略；（3）提出多类型关键节点跟踪的动态社区演化分析方法，建立不同类型关键节点变化与社区演化之间的映射关系，通过多类型关键节点跟踪洞悉演化事件。本项目的研究有助于快速挖掘社交网络的核心位置节点，高效识别动态社交网络的聚集特性，准确掌握社交网络结构的演变趋势，为舆情控制与信息传播干预奠定坚实基础，具有十分重要的理论价值和实际意义。

人们生活在一个社交网络无处不在的时代。社交网络为大家带来海量有价值信息的同时，也夹杂着诸多谣言和虚假信息，混淆着大众的视听。本项目围绕动态社交网络拓扑结构特性分析开展研究，着重研究关键节点识别、动态社区发现以及社区演化分析等关键性基础问题。本项目提出了基于邻居节点K指数的节点重要性评估算法和基于位置和邻居信息的关键节点识别算法，准确挖掘动态社交网络的核心位置节点。本项目提出了错误累积敏感的增量式动态社区划分算法、融合拓扑势的层次化社区发现算法和基于最小生成树的层次社区发现算法，有效地识别动态社交网络在拓扑结构上的聚集特性；本项目提出了基于Superspreader和Superblocker的动态社区演化分析算法，分利用Superspreader传播性强和Superblocker破坏连通性的特点，准确高效地识别出不同特性的演化事件，掌握动态社交网络拓扑结构的演变趋势。本项目提出了基于主路径网络的信息传播预测方法、基于先验估计的传播中心性单源溯源算法、基于重叠社区划分的多源溯源算法、基于邻居节点融合的社交网络分解算法、基于社区划分与连边逆序放回的网络分解算法，利用动态社交网络拓扑结构特性进行传播预测、溯源及传播干预。本项目的相关研究成果有助于更好地利用社交网络的结构特性对谣言传播进行有效干预，引导舆论走向，化解社会矛盾，减少大规模网络突发危机事件的发生，提高政府决策公信力和公共空间治理水平，最终推进网络社会健康和谐发展。