数据驱动的社会媒体信息传播演化关键技术研究

Social media plays an increasing role in international politics and daily life, because of its fast spread, wide coverage and influence, strong infiltration and other characters, it has posed a severe challenge to control the dissemination of network information. In the face of the dynamic and complex systems of social media with the scale of hundreds of millions of users, how to reveal the rule of information evolution and dissemination and establish the regulation and guidance mechanism, has been a world-calss challenge for academic and industry. According to the problems in the dissemination and evolution of social media information (SMI), this project utilizes existing data resources and working accumulation, based on computing science, sociology, psychology and related theories, and the main research content contains three aspects, from the socialization analysis of SMI, the dissemination and evolution mechanism of SMI, to the containment and guidance policy of SMI. The solutions of the key problems such as the fusion modeling of information and social dual space, the dissemination and evolution of spatiotemporal information, the containment and guidance of complex dissemination network, provides technical support for the analysis and guidance to the dissemination of SMI. This project strive to achieve basal theory innovation of the dissemination of SMI, and to promote the development of media science, network science, computing sociology and other related emerging field of our country.

社会媒体在国际政治活动与日常社会生活中的巨大作用日益凸显，并以其传播速度快、覆盖面广、影响力大、渗透力强等特点对网络信息传播的可控性提出了严峻挑战。面对动辄上亿用户规模的社会媒体动态复杂系统，如何揭示信息传播演化规律并建立调控引导机制，已成为学术界及产业界共同面对的世界级难题。本项目针对社会媒体信息传播演化中存在的问题，利用课题组已有的数据资源和工作积累，以计算科学、社会学及心理学相关理论为支撑，从社会媒体信息的社会化分析、社会媒体信息的传播与演化机理以及社会媒体信息的牵制与引导机制等三个层面的问题为主要内容，通过对信息与社会二元空间融合建模、时空域融合的信息传播演化、复杂传播网络的牵制引导等关键技术的研究，为社会媒体信息传播的分析与引导提供技术支撑。力争实现社会媒体信息传播基础理论的创新，推动我国在媒体科学、网络科学、计算社会学等相关新兴领域的发展。

本课题针对社区媒体信息的动态交互、跨域分布、异构结构及海量规模的特点，以动态社交网络环境下媒体信息的用户采纳机理为基础，深入研究社交网络中的跨域知识迁移与融合建模理论，实现了基于异构网络哈希学习的高效可扩展媒体信息社会化推荐方法。. 主要研究内容:(1)互联网用户作为媒体信息接受、消化和传播的主体，由于其特有的社会属性和个人特质，形成了对不同媒体信息内容的不同关注度和情感倾向。通过对用户属性、信息浏览历史以及用户评价等动态行为数据进行归纳、统计和抽象，进而在信息层面形成用户关注模型及情感倾向模型，提升用户体验，实现精准的个性化媒体信息推荐;(2)媒体信息推荐的根本难题就是在于揭示用户接纳和拒绝媒体信息的机理，而充分地理解社交上下文可以很好的解决这一问题。对媒体信息、用户信息以及用户与媒体的交互性信息的联合建模，提出融合兴趣偏好和社交影响力，即基于社交上下文的信息采纳行为预测算法，并分析媒体信息采纳行为与社会上下文的联动关系;(3)动态社交网络环境中的媒体信息种类纷杂，每一种多媒体信息都与社交用户之间的社会关系紧密联系。同时，媒体信息的稀疏度在不同的信息域上往往表现不同。对多信息域的知识进行迁移和融合，解决媒体信息社会化推荐中的目标域的稀疏性问题，提升推荐性能;(4)在海量异构信息中实时准确地为用户推荐其感兴趣的信息，已经成为社交网络应用亟待解决的基本问题，针对不同类型数据域的不同特点，将其映射到不同的Hamming空间中，并建立这些Hamming空间对应性映射模型，实现高效可扩展信息推荐。. 项目组已经围绕本项目法相发表CCF A类论文29篇，IEEE/ACM Trans等高水平国际期刊论文7篇，获得了IEEE ICME 2014最佳论文奖，IEEE ICDM 2015最佳学生论文奖，MMM2013最佳论文奖，并先后于2014年和2016年两次入选数据挖掘领域顶级国际会议KDD最佳论文专刊。. 本项目已有2项成果分别在腾讯和三星实现了成果转化应用，分别获得2016年三星电子最佳合作奖以及2016年腾讯学术贡献奖。