异质多社交网络信息融合与热点事件多维演化

User entities with multiple social accounts on different social networks are referred to as Overlapping users. The existence of overlapping users contributes to the possibility of the alignment of isolated social networks, which brings significant changes to the logical boundary, the information dissemination and user behavior pattern across social networks. With the new challenges of the multi-resources of user-generated data and the heterogeneous attributes of semantic spaces, targeted at multiple heterogeneous social networks with different application function and social structures, this project will focus on the overlapping users across multiple social networks and fulfill the following four tasks : (1) Based on the correlation in the heterogeneous semantic space and the consistency of user social structure, an efficient hidden overlapping user discovery model together with a corresponding algorithm is designed to discover the maximum number of the overlapping users across the multiple social networks; (2) Considering the alignment of multi-modal data and network structure characteristics, this project proposes a hierarchical fusion model based on overlapping user entities by which different heterogeneous networks can be logically linked; (3) Based on user interactions and behavioral semantic similarity, the overlapping users set can be partitioned into seed groups. Then seed group extension strategies for each social network are designed. By fusing the extended seed groups in each social network through the overlapping users, the final social-network-across communities will be discovered; (4) On the basis of the user community, a hotspot event detection algorithm will be designed. With the information of the event site, speculation about the related people (witness) and prediction about their possible future location could be logically conducted. By analyzing a hotspot event in a multi-dimensional way which contributes to the acceleration of the process of hot event reduction and tracking, this project provides a solid theoretical basis and a practical technical method for the rapid disposal of hotspot events.

在不同社交网络中具有多个账号的实体用户构成网络间的重叠用户。重叠用户的存在使得原本孤立的多社交网络间产生关联关系，引起社交网络间的逻辑边界、信息传播和行为模式发生重大转变。本项目以异质多社交网络为研究对象，以重叠用户为核心，针对用户数据的多源性、语义空间的异构性等挑战，完成四个方面的研究内容:(1)基于异构语义空间关联和用户社交结构一致性，设计高效的隐式重叠用户发现模型和算法;(2)考虑多模数据对齐和结构特征，构建基于实体重叠用户的层次融合模型;(3)基于交互关系和行为语义相似性对重叠用户进行子团划分，设计网络子团扩展策略，基于重叠用户融合多网络扩展子团，生成跨网络用户社群;(4)基于用户社群，设计热点事件发现算法，以事件发生位置为依据，推测事件关联人群并预测人群未来的可能位置，对热点事件进行多维演化分析，从而加速热点事件的还原与追踪进程，为突发热点事件的快速处置提供理论依据和技术支撑。

为了有效融合异质多社交网络的信息，对热点事件进行多维演化分析，本项目研究异质图的表示学习，挖掘不同社交网络间的重叠用户，并以重叠用户为基础，发现跨社交网络的社区，从而进行异质多社交网络的信息融合；在此基础上，本项目研究多场景下的影响力传播模型，检测事件相关的众包营销，推断参与事件讨论用户的地理分布，分析参与事件讨论用户的情感分布，从而进行热点事件的多维演化分析。项目主要从异质多社交网络信息融合和热点事件多维演化分析两部分内容展开研究。具体地，针对异质多社交网络信息融合方面，首先，本项目抓取了Twitter推文数据、Foursquare签到数据以及Instagram图片数据作为本项目研究的数据基础。其次，本项目研究异质图的表示学习，提出了一个基于图神经网络的异质超图表示学习框架。此外，在多社交网络的真实数据的基础上，本项目提出了一个基于用户识别特性和嵌入改造的无监督用户身份关联框架，增强用户身份关联方法，从而更好地挖掘不同社交网络间的重叠用户。进而，本项目提出了一种基于重叠用户的跨社交网络社区发现方法，为异质多社交网络的信息融合提供桥梁。针对热点事件多维演化分析方面，本项目首先研究了不同场景下的热点事件影响力传播过程，针对不同场景的特殊性，分别提出了不同的影响力传播模型。其次，本项目提出一种新的半监督学习框架，通过综合建模用户行为、消息内容以及用户的跟踪和转发网络，检测事件相关的众包营销。然后，本项目基于用户的签到模式，对用户的地理位置进行细粒度的预测，从而获取参与事件讨论用户的地理分布。最后，本项目基于多模态数据，对用户的情感进行分析，从而获取参与事件讨论用户的情感分布。最终，在多维视角下，实现热点事件的演化分析。.项目组在计算机学报、WWW、WSDM等国内外学术期刊、会议上发表了12篇相关论文，申请了国家发明专利3项，培养了9位硕士毕业生和3位博士毕业生，达到了预期目标。