跨网络链接预测研究

Online social network becomes an important bridge that connects the online information space and the real human world. As we know, there are more than 400 active social network systems in the world. To satisfy different requirements, one person may register accounts and be active in multiple systems. A preliminary statistics show that one person joins in about 8 social networks on average. These heterogeneous social networks provide massive data for researchers, but also bring new challenges. For example, the information of one person is distributed in different social networks, which makes it difficult for us to obtain the whole profile of one person. The project targets at link prediction across multiple social networks, and investigates the problem from the following four aspects: (1) proposing an approach for network matching based on global consistence; (2) proposing an approach for link prediction across networks based on social links and hyper links; (3) proposing an approach for influence maximization across networks; (4) implementing an open-sourced toolkit and an online platform for link prediction across networks. The project will incorporate social theory, the approaches of heterogeneous network mining and multi-source data integration, and take efforts on apply the proposed methods into real applications.

目前，社交网络已经成为网络信息空间和人类物理世界连接的桥梁。据统计，全世界活跃的社交系统多达400多个。互联网用户分布在不同社交网络中，同一用户会根据不同的需求在不同社交网络中注册不同账号。初步统计表明用户平均加入的社交网络数量是8。大量异构网络和多源信息的出现不仅为研究者提供了海量数据，同时由于用户数据分布在不同的异构网络中，也为研究带来很多新的挑战。本项目以跨网络链接预测分析为目标，拟从四个方面展开研究：（1）提出基于全局一致性的跨网络匹配方法；（2）提出基于社会链接和锚定链接的跨网络链接预测方法；（3）提出面向部分匹配跨网络情况下影响最大化传播方法；（4）实现跨网络链接预测工具包与在线平台服务。课题实现的跨网络链接预测工具包将开源用于科学研究。本课题将结合社会网络理论、异构网络挖掘和多源数据融合的方法，探索推动互联网先进技术成果服务于大众、促进信息资源的分享和可持续利用新方法新途径。

本课题组主要研究了基于全局一致性的跨网络匹配、跨网络链接预测、社会影响力模型以及影响力最大化计算方法，并取得以下重要进展：.1． 基于全局一致性的跨网络匹配模型.为了同时考虑局部匹配或者网络之间的拓扑结构匹配，以及跨多网络链接的全局特性，课题组在已有异构社会网络挖掘方的研究基础上，提出一种全局一致性的跨网络匹配模型，同时考虑多个网络的局部和全局一致性。.2. 跨网络链接预测.我们提出三个模型SNNAu，SNNAb和SNNAo来学习弱监督的对抗性学习框架。根据经验，我们在多个数据集上对所提出的模型进行了评估，结果证明了我们的方法的优越性。相关科研论文发表于CCF A类国际学术会议AAAI2019，为跨网络链接预测，打下坚实基础。.3. 社会网络结构.课题组设计了一个事件元模式来描述社会事件的语义关联性，并构建了一个基于事件的异构信息网络（HIN），该网络集成了来自外部知识库的信息，提出了一种基于成对流行图卷积网络（PP-GCN）的细粒度社会事件分类模型。.其次，我们提出了一个基于事件间社会事件相似性的知识元路径实例，并建立加权邻接矩阵作为PP-GCN模型的输入。通过真实数据比较了各种社会事件检测和聚类任务。实验结果表明，我们提出的框架优于其他可供选择的社会事件分类技术。相关科研论文发表于CCF A类国际学术会议IJCAI2019。对构建跨网络结构具有重要意义。.4. 跨网络影响力最大化.首先，提出了一种新的孤立点鲁棒多方面流张量完备分解（OR-MSTC）方法，能够处理多方面流张量数据中的缺失值和孤立点，为跨网络影响力最大化网络表征学习，提供高效方法。其次，提出了一种分布式计算环境下的双层并行训练（BPT-CNN）体系结构, 保持相关精度并有效地提高了CNN训练性能，为大规模社会网络影响力最大化计算提供了一种可行的方法。