基于社会媒体挖掘的多样化社交关系主动学习

Social relation learning on social media plays significant role for many applications, such as information retrieval, personalized recommendation, and community discovery. In recent studies, there are more applications based on specialized social relations, but less work of actively discovering potential social relations. There are more applications about direct, explicit, and static social relations, but less work about indirect, implicit, and dynamic social relations. There are more efforts on detecting the existence of social relations, but less work of learning semantics of social relations. Using the resources and users in social media as data sources, this proposal defines diversified social relation from the perspective of form, semantic, and operation for social relations, and analyzes the challenges for discovering the diversified social relations. This proposal applies the social media mining, deep learning, and especially active learning techniques to address the aforementioned challenges, and the major research contents include: (1) the active learning of direct social relation based on relation definition and annotation; (2) the active learning of static social relation for recognizing the semantic of social relation; (3) the active learning of dynamic social relation for discovering evolving patterns and (4) the active learning of the correlation between relations for multi-relation fusion and refinement. As result, this proposal will construct a multigraph model for effectively demonstrating the diversified social relations in social media. For this purpose, this proposal also studies the relation storage, update and visualization based on multigraph structure. The results of the proposed research subjects can better support many applications such as social relation search.

社会媒体上的社交关系学习对于搜索、推荐、社群发现等诸多应用具有重要意义。当前工作中，基于给定社交关系的应用很多，主动发现社交关系的研究较少；应用直接、显式、静态社交关系的工作较多，发现间接、隐式、动态社交关系的工作较少；检测社交关系存在与否的工作较多，学习关系语义信息的研究较少。本课题以社会媒体平台的资源和用户为数据源，从形式、语义及操作三方面定义了多样化社交关系，分析了发现多样化社交关系面临的挑战，应用社会媒体挖掘、深度学习、特别是主动学习技术，研究基于关系定义与标注的直接社交关系主动学习、面向关系语义识别的静态社交关系主动学习、面向变化规律发现的动态社交关系主动学习、面向多关系融合与精炼的关系关联性主动学习。作为研究成果，本课题将构建一个能充分表达多样化社交关系的多重图模型，因此还研究基于多重图结构的社交关系存储、更新及可视化。本课题研究成果能够很好地支持社交关系搜索等相关应用。

社会媒体上的社交关系学习对于搜索、推荐、社群发现等诸多应用具有重要意义。社会媒体上的社交关系是多样化的，包括直接的、间接的、静态的、动态的、显式的、隐式的、事实的、情感的、……。目前的研究中，大多将社会媒体建模成网络图，因此，社交关系可以视为图中的边或链路。由于社会媒体中包括用户和不同类型的资源，因此，社会媒体图中的节点是异构的、多模态的，而社会媒体上无论资源之间的关系、用户之间的关系、以及用户与资源之间的关系均是异构的。.基于上述思想，本课题研究中首先考虑社会媒体网络图的表示学习，在此基础上，研究本课题的重点——社会媒体上的关系发现，进而研究其它下游任务。同时，为辅助关系学习的研究，结合了新的支撑技术如用户画像和知识图谱，并基于此进行了相关的应用研究，从而使这些研究与关系学习互促进、共增强。此外，“情感”关系是社会媒体关系的一个重要组成，基于此类关系可以实现更多的应用，因此本课题亦进行了大量情感分析方面的研究。最后，结合当前最新的研究进展，应用上述研究成果、特别是相关技术进行了对话生成领域的研究，而通过对话分析进行关系学习也是对本课题研究内容的丰富和加强。.据此，4年来，本课题在网络表示学习及下游任务、用户画像与知识图谱构建与应用、多粒度多模态情感及原因分析、面向用户的对话生成几方面进行了广泛而深入的研究，并取得了相应的研究成果。在国内外期刊和会议上发表论文39篇（不包括录用和未标注论文），其中包括具有影响力的国际会议AAAI、ACL、IJCAI、WWW、CIKM、EMNLP、DASFAA及国际期刊TNNLS、TMM等，被SCIE收录12篇次，被EI收录32篇次（由于SCIE与EI不重复统计，所以与“研究成果统计表”不完全对应）。申请发明专利6项，其中2项被授权，4项进入实审阶段。.包括课题负责人在内的4名教师参加了该课题的研究，培养了8名博士研究生（4人毕业，1人即将毕业，3人在读）、12名硕士研究生（9名毕业，3名即将毕业）。先后邀请14名学者来校或线上做学术报告，公派4名博士生分别去澳大利亚悉尼科技大学、新加坡南洋理工大学、新加坡管理大学联合培养，先后有教师和学生44人次线上或线下参加国际会议并宣读或展示论文。