基于多源异构在线社交网络平台的信息传播模型研究与传播趋势预测

Information diffusion analysis on multiple heterogeneous online social networks is an important research issue for both academic sense and applied value in the areas of social media mining and information dissemination. With the features of heterogeneity and real-time interactions for information disseminating on multiple social networks, this project focuses on investigating the interactions and correlations of multiple information spreading on different social networking sites, and effectively fusing the similar or relative information. With this basis, this project in-depth investigates the following problems: constructing a cross-network information diffusion model; predicting the future dissemination trend of information by considering the interactions among information in multiple heterogeneous social networks, and inferring the information diffusion network by transferring knowledge among information cascades on multiple online social networks. This research can facilitate the more comprehensive analysis of disciplines and the accurate prediction of future trend for information diffusion. This research can also bring new insights for social network mining, and provide both theorical and technical support for promoting the applying basic research on big data in social networks.

多源异构在线社交网络中的信息传播分析是社会网络大数据挖掘与信息传播领域的重要研究方向，具有重要的理论意义和应用价值。本项目针对在线社交网络多源、异构、实时交互等特点，研究相关信息在不同社交网络平台上传播的关联性和交互性，有效融合在多源异构社交网站中传播的相似相关信息。在此基础上，本项目深入研究如下问题：基于跨社交网络的信息传播过程建模、基于多源异构社交网络信息交互的信息传播趋势预测、以及基于多源信息传播瀑布间迁移学习的信息传播网络推断。本项目的研究有助于对社交网络中的信息传播规律和传播趋势进行更全面的分析、更准确的预测。本项目的研究成果可为社交网络的分析和研究提供新思路，为推动社交网络大数据的应用基础研究和应用研究提供理论与技术支撑。

针对现有的社交网络研究大多仅关注单源、单平台的社交网络数据，本课题研究多源、跨平台的社交网络信息传播，对信息在多源、异构的在线社交网络平台的传播进行分析和挖掘。针对多源异构在线社交网络中信息传播的复杂特征，在多网络平台的多源信息有效融合基础上，本项目具体研究如下内容：1）基于跨社交网络的信息传播过程建模；2）基于多源社交网络信息交互的信息未来传播趋势预测；以及3）基于多源信息传播瀑布间迁移学习的信息传播网络推断。.本项目的主要研究成果如下。1）基于网络嵌入的大规模社交网络用户表征学习研究。a)提出了一个半监督的网络表征学习算法，并将节点用户的标签数据融入到学习算法中。实验表明，该方法在少量标注数据指导下，可显著提升表征学习性能；b) 提出了融合社交网络结构信息和用户属性信息的网络表征学习算法。该算法将用户属性信息和网络结构做联合优化。实验表明，所提方法可显著提升仅使用网络结构信息的嵌入学习方法。c) 提出了一个基于深度学习框架的多视角网络表征学习算法，该算法在数据缺失的情况下可有效提升算法性能。2）基于分布距离度量的跨社交媒体平台用户账号对齐。a) 提出了一种基于分布距离度量的无监督跨社交网络用户账号对齐的方法。通过将不同的社交网络平台看作是不同的分布空间，每个用户看作是分布空间里的一个样本点，将社交网络用户对齐问题转化为不同分布空间的样本点在统一分布上的对齐。在此基础上，我们进一步提出了一个基于半监督对抗学习的跨社交媒体平台用户账号对其算法。3）基于异质网络表征学习的社交网络信息传播预测模型。提出了一个基于异质网络上的表征学习算法以有效学习社交网络上用户与博文之间的交互关系。并提出了一种基于神经网络模型预测模型，根据学到的表征向量来预测未来信息传播中用户与博文之间的交互关系。上述成果发表与多个计算机顶级或权威国际会议和期刊，包括CIKM、DASFAA、AAAI、ICDM、KAIS、ACM TOIS、T-ITS等。