基于多模态互联网大数据的用户身份对齐及异常行为分析技术研究

With the characteristics of virtual and anonymous, the Internet has become a new channel for criminals to engage in various illegal and criminal activities. Therefore, it is of great academic significance and application value to use big data technology to analyze user identity alignment and anomaly behavior in Internet multi-source data. On the three core link of identity feature extraction, identity alignment model building and anomaly behavior detection, this project intends to focus on the identity of the multimodal fusion data alignment feature extraction, the differential data source based identity alignment model building and deep learning based unusual behavior detection method, exploring identification and abnormal detection accuracy higher algorithm, and through the actual data verify the validity of the methods.

互联网具有虚拟性、匿名性等特点，已成为不法分子从事各类违法犯罪活动的新渠道。因此，利用大数据技术对互联网多数据源中的用户身份进行对齐和异常行为分析，具有重要的学术意义和应用价值。针对该主题中身份对齐特征提取、身份对齐模型构建及异常行为轨迹检测三个核心环节，本项目拟重点研究融合多模态数据的身份对齐特征提取表示、基于差异化数据源的身份对齐模型构建及基于深度学习的异常行为轨迹检测方法，探索身份对齐及异常行为检测准确性更高的算法，并通过实际数据验证方法的有效性。

当前，全球正处于信息技术变革空前活跃和产业高速发展时期，互联网已经在经济、政治、科技、文化等领域广泛深入应用，同时也不可避免地带来严峻复杂的安全问题和隐患。互联网具有的虚拟性、匿名性等特点，使其成为不法分子从事违法犯罪活动的新渠道。如何针对不同社交网络平台不同类别的敏感元素及场景信息进行分析，从用户身份、关系、行为、发布内容等维度入手，研究多个网络账号对齐的关键技术，打通互联网上不同应用之间的虚拟账号，并综合使用多源数据进一步分析识别用户异常行为，对维护国家安全和社会稳定具有重大意义。.本项目针对该主题中多源多模态数据身份对齐融合特征提取、对齐模型构建及异常行为检测三个核心环节，重点研究了融合多模态数据的身份对齐特征提取表示、基于差异化数据源的身份对齐模型构建及基于深度学习的异常行为轨迹检测方法，提出一套用户身份对齐及异常行为检测准确度更高的方法，各项研究工作相互支撑，协同推进课题目标实现。相关工作共发表学术论文8篇，其中CCF A 类论文2 篇，B 类论文1 篇，C 类论文2 篇，申请获得受理专利23项。项目组在用户行为偏好、文本、多媒体内容分析等关键技术上取得突破，相关成果发表在AAAI、SIGIR等本领域顶级学术会议上，较好地完成了各项既定的研究目标，具有重要的学术意义和应用价值。