在线社会媒体中用户观点传播的建模与预测研究

Massive communications via social media is a prominent phenomenon of contemporary societies, which has immense implications for the propagation of opinions, and also the influence of users in their virtual community or social network. It is the key to utilize the big data from social media and improve the management of societies that understands the intrinsic patterns and fundamental laws of opinion propagation, and predicts the trend. However, the propagation of opinions is a more complex problem, compared to the diffusion of information. The challenges are diverse topics, the effect estimation between users, and the competition of different sentimental polarities in propagation. To solve them, we propose two key research topics from the view of microscopic mechanism of propagation, which are discrete opinion extraction adapting to diverse topics, modeling user’s latent influence and susceptibility under the accumulative effects. The research project aims at revealing the inherent law of users’ influence, competition, and opinion propagation, and establishing the effective means of user modelling on influence and susceptibility of opinions, by which it enables new behavioral interventions to affect adoption of new products and unhealthy hobbies, and helps to make a good social environment.

使用在线社会媒体进行大量交流是当今社会的一个突出现象，这种交流的背后蕴含了用户观点的传播，以及他们在虚拟的社区或社交关系网络中表现出来的影响作用。理解用户观点传播的固有模式和内在规律，并对传播趋势进行准确预测，是有效利用社会媒体大数据的价值和提高社会管理水平的关键。社会媒体中用户观点的传播现象相比一般的信息传播更加复杂。本课题着眼于用户观点传播的微观机理，针对社会媒体中信息的话题多样性，用户间的影响作用等问题，将话题多样性的社会媒体中离散观点的提取、观点传播的用户影响力和易感性建模等作为本课题的主要研究内容， 来解决上述问题。本课题研究旨在揭示用户观点的影响、建模用户观点的影响力和易感性，并能达到影响人们消费习惯、不良嗜好，培养良好社会环境的目的。

当今社会的一个非常突出的现象是人们开始大量地使用在线社会媒体进行交流。这种社会媒体交流的背后蕴含了用户观点的传播，以及他们在虚拟的社区或社交关系网络中表现出来的影响作用。社会媒体与一般的社会大众媒体最显著的不同是，社会媒体大多数数据都是由用户参与产生的，每位用户扮演媒体发布者的角色，利用互联网以及基于web 2.0的技术，通过社会交互进行一对多或多对多的传播。本项目着眼于通过用户在线的信息传播行为，来建模用户的影响力，以及用户观点与影响力传播的关系。主要研究成果如下：.（1）在用户影响力的建模方面，提出一个用户影响力精简表达的模型（Sent LIS）。该模型能够捕捉信息传播中用户间影响力的依赖关系，比如从同一用户对不同用户的影响力或者易感性。我们将用户对间的影响力精简表达为隶属于用户的影响力和易感性向量，这种建模方式将模型参数从pair-wise模型需要的O(n2)减少到了O(nd)，其中n为用户数，d为用户低维表达的维度。从而达到有助于对稀疏数据学习的目的。此外，也为研究观点倾向性因素在用户间影响力的作用，提供了简洁、统一的学习框架。该成果在真实新浪微博的数据集上比已有方法有较好的表现。.（2）针对信息传播中“多中心”的现象，提出利用混合模型建模流行度动态过程。解决了基于泊松过程的模型和基于自激励Hawkes过程的模型分别在用户同质性和用户独立参数学习的困难等为题。我们提出利用自增强泊松过程来刻画中心用户转发带来的激励，并将所有中心用户的激励累加起来，来建模整体流行度的变化过程。在微博数据集上，通过预测消息最终的转发次数，验证了所提模型的有效性。.（3）针对用户观点传播所依赖的社会网络，我们考虑如何将多来源的网络中用户进行对齐，以达到信息融合的目的。本成果提出一个基于监督信息的锚链接预测模型（PALE），将源网络和目标网络都分别投射到隐空间，然后学习出一个作用于两个空间之间的映射函数，从而最终达到用户对齐的目的。我们在Facebook的采样网络，以及人工智能和数据挖掘领域论文作者的合作网络中，都取得了较好的对齐效果。