面向实时复杂数据的信息扩散模型和分析算法研究

With the fast availability of social network and smart devices, we have witnessed a stunning volume of online information, which is also fast generated and spreaded quickly. A striking character is that, information like micro-blog, comment, interaction and location based posts can be generated in a real-time manner. At the same time, the associated features also make the processing more complex. Information diffusion focuses on temporal information and social network areas, modeling the content changes and users' behaviours. It attracts a lot of attentions, but the real-time and complex characters are usually ignored. ..This proposal focuses on the information diffusion research in real-time and complex scenarios, especially the modeling and analysis tasks. First, we propose a unified graph model to combine user, post and temporal features for better diffusion modeling, to overcome current isolated research. Second, we utilize the hashing and summarization techniques to cope with the real-time processing challenge of temporal diffusion mapping. At last, we design more accurate prediction algorithm based on the new diffusion model and temporal mapping work.

随着社交网络和移动智能设备的快速普及，互联网上发布的信息不仅规模巨大，同时其时效性也显著加快，传播范围明显扩大。尤为突出的是，微博、点评、互动和位置记录等新场景可以实现更实时的内容发布和反馈。与此同时，其关联的附加特征也使得数据处理任务越发复杂。信息扩散研究结合了时序信息和社交网络领域，建模内容变迁和用户行为，近期获得了大量关注，但是针对这些新的特征的研究较为不足。..本申请课题关注实时和复杂化场景下的信息扩散研究，侧重其过程建模和抽取分析。首先，针对目前很多研究中信息扩散和用户行为等的割裂处理，本课题以概率图模型的方式设计综合的用户、信息和变迁扩散模型，以更好呈现扩散过程。其次，实时场景下的扩散关联抽取通过哈希和概述方法以达到快速演进关系抽取。最后，基于新的扩散结构模型和时序关联模式分析等工作，本课题设计更为准确的扩散预测方法。

本项目围绕多源、异构、实时、复杂的网上信息和用户行为等场景中的信息扩散、行为预测问题展开研究。本项目的信息扩散与行为预测研究既关注网上信息在社交网络中的传播行为，同时也探讨线下用户时空移动活动等。这些场景的数据不仅来源庞杂、特征多样，而且还包含复杂的用户交互行为和线下的移动规律模式，并具有动态快速的变化特点。信息扩散和行为预测中的问题需求既涉及到数据的有效融合处理和特征抽取处理，同时也需要稳定准确及时的预测模型。当前的一些单一融合预测解决方案难以处理复杂需求。.本项目围绕这些难点问题，开展了一系列的理论问题和算法模型研究。项目提出了场景建模、特征表示和准确预测等相关算法和解决方案。研究内容包括对场景中多源异构数据特征的有效抽取和建模表示，提出了低维嵌入表示、深度学习模型的特征表示应用到文本和社交场景中；信息扩散和行为预测的综合预测模型设计，通过因子分解、时序模式规律抽取和后续的融合模型等实现更准确的预测效果；以及对行为模式的及时和可靠预测技术，关注了RNN深度神经网络模型、GAN对抗学习模型等提高预测模型的及时性和可靠性。.项目执行期间，研究团队提出了一系列信息和行为传播扩散问题中的场景建模、特征表示和准确预测等环节的新颖算法和解决方案，有效提高了面向海量用户行为和信息扩散的认知处理、分析预测能力。受项目支持，课题组形成了一系列原创科研成果，近期已在国内外重要学术刊物和国际会议上已发表标注受该项目资助的高质量论文7篇，其中由中国计算机学会认定的A类顶级会议/期刊论文3篇。此外，项目组还构建了一套示范性的时空数据融合预测原型展示系统，并收集了代表性的序列数据、时空行为和文本数据等数据集3项。