时空行为序列驱动的移动社交网络用户分析与建模研究

Mobile social networks contain rich spatial-temporal behavior sequences from users. It is important to study the influence of past behavior on future behavior in behavior sequences and reveal the interaction between spatial-temporal behavior sequence and social network are of great importance for location-based personalized service and marketing. To overcome the shortages of existing studies which cannot handle time continuity and spatial continuity simultaneously, and do not jointly model social relations and spatial-temporal sequences, this project aims at: 1) proposing a method based on point process to model spatial-temporal behavior sequences of users, achieving collaborative modeling from individual to group and revealing the effect of distance and time interval on spatial-temporal behavior; 2) utilizing representation learning to design a unified framework to jointly model spatial-temporal behavior sequences and social relations of users, making the two tasks, i.e., trajectory prediction and relation inference, benefit each other; 3) leveraging recurrent neural network to model users’ dynamic spatial-temporal preference, and combine it with the proposed hybrid model to improve model predictive performance. This project explores to model users based on spatial-temporal behavior sequences, which meets the practical application needs and technical trends, and provides both theoretical and practical values.

移动社交网络蕴含丰富的用户时空行为序列和社交关系数据。研究行为序列数据中过去行为对未来行为的影响以及揭示时空行为序列和社交网络的交互关系对于基于地点的个性化服务和市场营销具有重要意义。为克服现有研究工作缺乏在序列建模框架下处理时间和空间双重连续特性的机制，以及未能对社交关系和时空序列统一建模的不足，本课题旨在：1）提出基于点过程的用户时空行为建模方法，实现从个体到群体的协同化建模并揭示地点距离和时间间隔大小对于时空行为产生的影响；2）设计表示学习驱动的用户时空序列行为与社交关系联合建模框架，实现轨迹预测和关系推断两个任务的互相促进；3）利用循环神经网络对用户时空行为偏好动态建模，并与之前提出的混合模型结合以提高模型预测性能。本课题的立足于时空行为序列驱动的用户建模，符合现实应用需求和技术发展趋势，具有理论价值和应用前景。

以时空行为序列为代表的用户行为数据蕴含丰富的用户偏好、行为规律信息，对于实现个性化服务等具有重要意义。针对前人相关研究中存在的时间连续性建模机制匮乏、社交关系考虑不足等问题，本项目围绕以下几方面内容开展了相关研究：1）研究了基于时间点过程的用户时空行为序列建模方法，提出了融合注意力机制的神经时间点过程模型、针对双用户行为序列的松耦合时间点过程方法、以及面向行为轨迹整体表征的双向时间点过程技术；2）研究了用户行为序列与社交关系联合建模方法，利用图神经网络在图结构数据表征学习上的优势，将其与不同神经点过程模型融合，实现了用户行为序列与社交关系在下一行为预测、行为序列匹配、用户轨迹识别这三种代表性用户行为分析场景下的联合建模；3）研究了用户行为偏好的动态建模方法，既探索了基于循环神经网络的用户偏好动态建模方法及其在不同场景下的应用，也通过定制图神经网络方法以建模行为对象之间的关联关系，追求更好的行为对象表征。. 本项目实施过程中，项目组在国际国内有影响力的期刊和学术会议上发表（含录用）论文10篇，包括 CCF A/Trans中科院一区长文5篇、CCF A中文期刊论文2篇。所开发的序列行为预测方法获得2020年度KDD Cup 现代电子商务平台去偏差赛道全球第5名。所发表的“带有时间辅助预测任务的会话式序列推荐”论文获得第37届CCF中国数据库学术会议“萨师煊优秀学生论文奖”。