面向社会媒体大数据的异质信息网络分析的关键技术研究

Since the widespread social media deeply influences the whole society, the big data analysis for social media has became a key issue for perception of social hot spots, improvement of service experiences, and supervision of public opinion. The social media big data has the typical “5V” characteristics of big data. Moreover, the variety characteristic is an important challenge for the big data analysis for social media. In order to solve the variety challenge for big data, this proposal proposes heterogeneous information network analysis for social media big data. That is, we employ the heterogeneous information network, constituted of different types of nodes or links, to not only model the objects and relations in social media system but also fuse different types of information (e.g., features, interactions, text). Since traditional heterogeneous information network analysis for social media data is facing challenges: simple network schema and difficult fusion of network structure information and other types of information, in this proposal, we will focus on the key techniques of heterogeneous information network analysis based on social media big data. The key techniques include schema-rich heterogeneous information network analysis and representation learning for structure feature of heterogeneous information network. We believe that these researches can not only enhance and expand the analysis ability and application domains of heterogeneous information network, but also provide a new way for the variety challenge of big data.

由于广泛存在的社会媒体日益深刻地影响着整个社会，因此社会媒体大数据分析成为感知社会热点、提高服务体验和加强舆论监管的关键。社会媒体大数据具有典型的大数据“5V”特征，其中多样性（Variety）是社会媒体大数据分析的重要难点。为了解决大数据的多样性挑战，本项目提出了社会媒体大数据的异质信息网络分析方法，即采用由不同类型的节点或边构成的异质信息网络不仅建模社会媒体系统中不同类型的对象和对象间的复杂交互关系，而且融合属性、交互、文本等多模态信息。针对传统的异质信息网络分析存在的网络模式简单、无法和其他模态数据有效融合分析等问题，本项目重点研究面向社会媒体大数据的异质信息网络分析的关键技术：复杂无模式异质信息网络分析方法和异质信息网络的结构特征表示学习方法。通过这些研究，不仅提升和扩展异质信息网络的分析能力和应用范围，而且为解决大数据的多样性挑战提供新的技术思路和有效方法。

为了应对社会媒体大数据多样化的挑战，本项目提出了社会媒体大数据的异质信息网络分析方法。本项目从以下四个方面展开研究：（1）异质信息网络的分析及表示方法，旨在将异质信息网络映射到低维空间，以保留原有的结构与性质。设计了关系结构感知，双曲空间的异质信息网络表示学习等方法，发表CCF A/B类论文10余篇，推动了异质图表示学习的研究。（2）基于异质信息网络的社会媒体分析，旨在使用异质信息分析社会媒体信息。设计了基于异质信息网络的短文本分类，主题感知的异质信息网络表示学习等方法，发表CCF A/B类论文10余篇，在国际上较早将图神经网络应用于文本挖掘。（3）基于异质信息网络的推荐算法，旨在使用异质信息网络建模推荐系统中丰富的语义信息。提出了基于异质网络表示学习的推荐技术，发表CCF A/B类论文近20篇，引领了基于异质图的推荐技术研究。（4）深度图神经网络，旨在使用深度学习对异质图和同质图进行结构知识表示学习。设计了基于异质图神经网络，结构深度聚类图神经网络等系列方法，发表CCF A/B类论文10余篇，拓展了图神经网络的理论基础。通过这些研究，不仅提升和扩展异质信息网络的分析能力和应用范围，而且为解决大数据的多样性挑战提供新的技术思路和有效方法。.项目按照计划执行，超额完成了研究目标。在本项目的资助下，发表相关论文共计68篇，其中CCF-A类37篇，CCF-B类22篇，CCF-C类6篇，并授权6项专利，多个工作成为高引和热点论文。相关成果应用于阿里巴巴、腾讯、华为、美团等公司，取得显著经济效益。基于该项目的研究成果，申请到联合基金重点项目。本项目的研究成果在国际会议做特邀报告3次，前沿讲习班5次；举办国际研讨会“异质网络分析与应用研讨会”和国内研讨会“社交网络分析与挖掘论坛”多次。