社交网络的可解释性链接预测模型与方法研究

As one of the fundamental tasks in network data mining, link prediction has great significance in exploring the microcosmic mechanism of network, and is also of great value for many applications, such as recommender systems and intelligent decision. The existing link prediction methods mainly pay attention to improving the prediction accuracy, but ignore the explainability of the methods and the results to a certain extent. Unexplainable link prediction methods have negative impact on the trustworthiness of the prediction results, and thus place impact on its science significance and applications. Therefore, the proposal aims to explore the explainable link prediction models and methods in aspects of model explainability and result explainability. Specifically, the research contents contain four parts: (1) Researching on the multi-view explicit fusion models for link prediction in heterogeneous social networks; (2) Researching on the long and short explicit temporal models in dynamic social networks; (3) Researching on the fine-grained explanation generative approaches based on knowledge graph; (4) Researching on the application of users recommendation system in large-scale Weibo social networks so as to verify the explainable link prediction models and methods of the proposal. The proposal will have great potential to provide valuable foundational research results in explainable link prediction; it will have important science significance and application value for the explainable researches in network data mining and knowledge discovery.

作为网络数据挖掘中的基本任务，链接预测对于探究网络的微观机理具有重要的科学意义，同时在推荐系统、智能决策等领域发挥着重要应用价值。长期以来，链接预测的研究主要关注预测的精度，在某种程度上忽视了预测的可解释性。缺乏可解释性的链接预测降低了预测结果的可信度，阻碍其科学意义的发挥，也极大影响其应用价值。为此，本项目将从模型可解释性与结果可解释性层面，探索面向社交网络的可解释性链接预测模型与方法，具体研究内容包括：（1）研究面向异质社交网络数据的多视角显式融合模型；（2）研究面向动态社交网络数据的长短期显式时序模型；（3）研究基于知识图谱的细粒度链接解释生成方法；（4）以大规模微博社交网络数据为载体，将可解释性链接预测模型与方法应用于微博用户推荐。项目有望在可解释性链接预测模型与方法方面产生一些有价值的基础性研究成果，将对网络数据挖掘与知识发现等领域的可解释性研究产生重要科学意义与应用价值。

链接预测是复杂网络、社交网络、推荐系统等领域广泛关注的共性任务，缺乏可解释性的链接预测模型面临着严峻的可信性与可靠性问题。本项目针对链接预测的可解释性，从显式建模的可解释性、概率的可解释性、注意力的可解释性等方面进行了深入研究，并在科技信息服务领域进行了应用验证。主要研究成果包括：（1）在面向可解释性的显式建模方面，项目组设计了一种融合近邻信息的概率矩阵分解推荐算法；提出了一种显式的非负矩阵分解模型；构建了一种基于近邻时刻相似性的时序概率矩阵分解模型。（2）在基于注意力机制与概率图的可解释性建模方面，项目组提出了一种基于注意力机制的可解释性链接预测图自编码器模型；设计了一种基于三因素概率图模型的可解释性推荐算法；构建了一种基于用户动态表征的贝叶斯矩阵分解时序推荐模型。（3）在应用研究方面，项目组基于提出的可解释性链接预测与推荐方法，与山西诺云信息技术有限公司合作研制了科技信息推荐平台。项目研究成果不仅丰富了社会网络分析与推荐系统领域的可解释性研究内容，而且可为知识图谱、生物信息等领域的可解释性建模提供技重要术支持。