基于安全性分析的多模异构社会网络多视图建模

The modeling and analysis of cross-media social network data have far-ranging applications in the analysis of public opinion, products promotion, stock prediction etc. Given the feature of such data is multi-mode and heterogeneous, there exists many problems in the study of cross-media social network data, for example, the poor architecture scalability, inferior consistency and integrity of models, the risk of leaking privacy, and the low accuracy of visualization results. This project is going to study multiple views modeling of multi-mode heterogeneous social network. Firstly, we plan to use the method of predicted-based data dynamic distribution in order to reach the demand of architecture scalability. Besides this, we will clean the stream data by entity resolution and dynamic bloom filter. Secondly, a model of incremental multi-mode heterogeneous social network of cross-platform stream data will be built by labeling the nodes using sectional semantic annotation and a method of integrating the users’ content and structure consistency. Thirdly, we tend to apply a Bayesian cause-effect diagram and a probabilistic model to analysis the security, the goal of collective privacy protection will be achieved by establishing a dynamic privacy data space using a heuristic method. The strategy of privacy protection can be regulated by the variation of label distribution. Finally, we are going to build multiple views of social network combining parallel express, force guidance layout and labels to realize visualization. These views will show the distribution features of social network data as well as the trend of data variation directly and roundly. This study is going to solve these problems and improves the accuracy of data analysis. At the same time, the safety of users’ privacy will be guaranteed. The study of the project is significantly important in both theory and application of mobile social network.

跨媒体社会网络数据建模与分析在舆情分析、商品推广、股票预测等领域有着广泛的应用，由于其多模异构特点，对其研究存在着流式数据计算架构可伸缩性差、模型一致性完整性差、隐私泄露、可视化准确性差等问题，本项目将开展多模异构社会网络多视图建模研究，主要内容包括：基于预测的数据动态分配实现架构可伸缩性，利用实体解析及动态布隆过滤器实现数据清洗；通过分段式语义标签标注，利用多目标学习对用户的内容和结构一致性度量，实现跨平台流式数据的增量多模异构社会网络构建；通过贝叶斯因果图和概率模型进行安全性分析，利用启发式方法构建动态隐私数据空间实现协同隐私保护，依据标签分布变化实现隐私保护策略动态调整；通过并行表达、力导引布局、标签刻画实现社会网络多视图建模，以多角度直观显示网络数据的分布特性及变化趋势。本研究将有望解决上述难题，在提高数据分析准确性同时保证用户隐私的安全，为促进移动社会网络发展提供理论与技术支持。

随着移动智能终端的广泛普及，跨媒体社会网络数据为舆情分析、商品营销、股票预测等领域提供了新的研究与发展空间。跨媒体社会网络数据是多模异构的流式数据。计算架构可伸缩性差、模型一致性完整性差、隐私泄露、可视化准确性差是研究该类数据面临的重大挑战。本课题针对这些问题，开展了基于安全性分析的多模异构社会网络多视图建模研究。针对流式数据预处理面临的计算架构的可伸缩性问题，提出了基于动态关键路径驱动程序的期限受限的云计算调度算法、考虑后续流式数据预处理的择时综合调度算法、基于社交网络边缘权重的数据清洗策略、面向结构特征学习的大规模动态社会数据表示方法等，提高了流式数据预处理的效率与精度；针对流式混合数据建模中模型一致性完整性差，提出了基于结构相似性的语义标注方法、基于弱依赖关系和情感一致性的微博情感分析方法、基于用户行为习惯的用户状态分析方法等，在弱标签标注的基础上，建立了可靠的社会网络模型，为社会网络分析及可视化提供基础。针对流式混合数据建模中隐私泄露问题，提出了针对活动点信息的轨迹隐私主动监测机制、分布式环境下的位置协同推荐策略、隐私保护快速调整方法、基于差分隐私的移动数据发布机制、基于加权隐私查询的动态调整算法等，实现了协同隐私保护，为社会网络分析及可视化提供安全保障。针对动态混合网络可视化准确性差的问题，提出了基于社区结构的主干节点检测方法、节点关系强度和社区关系强度的社区发现方法、基于用户画像和协同过滤的冷启动混合推荐方法等，实现了从舆情监控、信息推荐以及预测等角度直观显示网络数据的分布特性与变化趋势。本课题可以为促进跨媒体社会网络数据建模与分析提供一定的理论与技术支持。