基于大数据的特定人物社会行为分析与预测关键技术研究

The analysis and prediction of social behaviors for specific individuals based on big data provide new directions for the tracking of behavioral tendencies, which can be applied to many fields such as medical industry, commerce and public security and is of great research significance. The research faces four main problems: 1) social behavior data coming from multi-source has the characteristics of heterogeneous and cross-media, it is difficult to carry out unified modeling of the viewpoint and sentiment orientation analysis; 2) Lack of combination of network virtual information and reality information, the accuracy of the trajectory model needs to be improved; 3) The relationship of personnel in the network space is covert and complex , related groups based on specific individuals are difficult to find.; 4) The accuracy of existing behavioral prediction models is low, and issues such as the influence of group members on the behavior of specific characters are not considered..In view of the above problems, our project aims to study the key technologies of social behavior analysis and prediction for specific characters based on multi-source heterogeneous cross-media big data: 1) Correlate and integrate the network cross-media data of specific individuals to, realize the opinion summary and multimodal sentiment analysis; 2) Construct an accurate trajectory model combined with network data and location information; 3) Discover the social networks of specific individuals based on common events in space-time symbiosis and explore their related groups by the idea of ​​seed dispersal; 4) Using relevant groups and the role of staff feedback builds accurate prediction model of individual behavior.

基于大数据的特定人物社会行为分析与预测为特定人物的行为倾向追踪提供了新的思路和角度，可应用于医疗业、商业、公共安全等多个领域，具有重要的研究意义。研究主要面临：1）社会行为数据异质多源、跨媒体，难以进行观点统一建模和情感倾向分析；2）网络数据和现实信息结合不足，特定人物轨迹模型精确度有待提高；3）特定人物社会关系隐蔽复杂，相关群体发现难度较大；4）现有行为预测模型准确率较低，未考虑群体成员对特定人物行为影响等问题。 .针对上述问题，本项目基于多源异构跨媒体大数据，研究特定人物社会行为分析与预测关键技术：1)关联融合特定人物的网络跨媒体数据，实现观点摘要生成与多模态倾向性分析；2)结合网络数据和位置信息，构建准确的特定人物轨迹模型；3)基于时空协同的共同事件发现特定人物社会关系网络，结合种子传播思想探寻其相关群体；4）基于特定人物轨迹模型和相关群体人员行为反馈作用构建准确的人物行为预测模型。

基于跨媒体大数据实现特定人物社会行分析与预测，是人物轨迹预测、公共安全事件演化分析等领域的重大战略需求。但跨媒体大数据具有多源异质、内容冗余和结构混乱等特点，并且网络空间人物社会关系隐秘性较高，给人物网络社会行为分析和预测带来极大挑战。本项目围绕“观点情感分析——轨迹建模——相关群体发现——行为预测”的研究思路，攻克特定人物社会行为的分析与预测的关键技术，包括：1）跨媒体数据下特定人物观点建模与情感倾向性分析；2）基于社交网络和现实轨迹结合的特定人物轨迹精准建模；3）特定人物的复杂社会关系分析与相关群体发现；4）基于观点和轨迹的特定人物行为预测。项目组在国内外期刊、会议上发表SCI/EI检索论文18篇，申请国家发明专利4项，软件著作权1项，培养博士研究生1名、硕士研究生6名，圆满完成立项之初设定的研究目标。.在观点情感分析中，本项目提出基于异构数据的重复注意力网络，实现多模态数据复杂关联关系挖掘；提出融合机器翻译和文本对齐的结构化摘要生成模型，实现观点建模与摘要生成；提出以布局为驱动的多模态注意力网络，实现了多模态情感倾向性分析。.在轨迹建模研究中，本项目实现基于时空行为图的特定人物轨迹建模，通过融合异构时空属性的行为图来实现网络空间与物理世界的轨迹映射，并提出时空增强的图神经网络实现个性化人物位置偏好生成。.在群体发现研究中，本项目提出基于复杂网络边缘剥落的约简方法，实现人物行为抽象表征下的社会关系抽取；提出一种结合数字签名节点向量的异构网络表征方法，实现异质网络相关群体发现。.在个体行为预测中，本项目提出融合轨迹环境特征的人物行为预测模型，通过引入行为轨迹的场景特征丰富人物行为的抽象表征，并建立多头注意力网络实现历史记录与个体行为的关联表示，提高行为预测效果。.本项目研究成果可推动多模态数据分析、人物轨迹建模、异构图神经网络等领域的发展，在维护公共安全、跨模态搜索等领域具有广阔的应用前景。