基于多源数据融合的异常社会行为分析及事件预测方法研究

With the frequent occurrence of violent incidents such as terrorist violence, many countries, including China, have paid much attention to the anomaly social events endangering public security. Therefore, taking advantage of big data technology for anomaly social behavior analysis and event prediction has become an important and challenging task. This project aims to address the challenges of multi-source behavior fusion, dynamic behavior evolution stage analysis, and anomaly event prediction result attribution, and focuses on studying multi-source data fusion based user behavior preference profiling, stage division based anomaly social behavior evolution analysis, mixed deep learning based anomaly social event prediction, and puts forward a set of methods including user behavior preference description method with high accuracy, anomaly behavior evolution analysis with superior generalization performance and anomaly social events prediction model with high interpretability. The effectiveness of the proposed methods is validated in the public security event prediction scenario.

随着暴恐等暴力事件的多发频发，包括中国在内的世界各国对危害公共安全的异常社会事件高度重视。因此，利用大数据技术进行异常社会行为分析及事件预测，成为重要且具挑战的课题。本项目旨在解决多源行为的融合、动态行为演化阶段分析、异常事件预测归因等挑战，重点研究基于多源数据融合的用户行为偏好刻画、基于阶段划分的异常社会行为动态演化分析、基于混合深度学习的异常社会事件预测算法等内容，提出一套用户行为偏好刻画准确度高、异常行为演化分析结果泛化性强、异常社会事件预测结果可解释性好的方法，并结合公共安全事件预测场景验证算法的有效性。

互联网的虚拟性、匿名性等特点使其成为各类违法犯罪活动的新渠道，对国家安全和社会稳定构成了威胁。在这种背景下，如何基于多源大数据对用户网络行为和社会异常事件预测分析对维护国家安全、社会稳定具有重大战略意义。. 本课题的研究内容包括三方面：一是综合利用多源数据的各种异构上下文信息，包括跨源行为上下文统一表示、动态行为偏好建模等，对用户行为偏好进行准确刻画；二是从事件发展阶段的角度对行为进行动态演化分析，包括基于阶段划分的异常行为模式识别和异常行为模式演化分析；三是对用户行为影响因素的统一建模，预测异常社会事件，并结合用户演化阶段预测结果提供原因解释。. 课题组在用户行为分析、异常社会行为分析、异常社会事件预测等研究方向上取得进展，各项研究工作互相支撑，协同推进课题目标实现。共发表相关论文10篇，其中CCF A类论文3篇，B类论文2篇。课题组在用户行为偏好、文本、编码、数据脱敏等关键技术环节上取得突破，相关成果发表在AAAI、SIGIR等本领域顶级学术会议上。同时，课题组面向实际应用需要，研究关键算法的工程应用问题，针对可能遇到的工程问题开展研究并取得一定成绩，先后申请相关专利24项，覆盖上述关键算法的工程化、互联网环境应用、大数据应用等领域，为本课题研究成果的实际应用提供了基础。