社交网络数据中用户群体行为的可视分析与预测方法研究

Visual analysis of social networks is a research focus of social media information mining, which provides effective decision-making basis for public opinion monitoring, commercial marketing and social management. However, the diversity of dimensions, heterogeneity of data and complexity of relationships make the patterns of community behaviors in social networks have not yet been fully understood, which greatly influence the credibility and predictability of information dissemination. Aiming at these problems, this project intends to apply the visualization techniques to study the community relationship and behavior of social networks from the perspective of group mechanism. First, the techniques of graph clustering, mutual information, and machine learning are applied to identify communities and display the community relationships, with the relational data, attribute data and behavior data considered. Second, we investigate how information propagation evolves to understand dynamic attributes of social communities and the underlying sociological motivations through the sentiment analysis, topic mining and key node extraction. A temporal retweeting tree is designed to explore the dynamic evolution and propagation path of community behaviors. Based on the above analysis, we further model the community behaviors and display the information propagation within and between communities to predict the development of events. Finally, a community-centric visualization system, which integrates the above techniques, is implemented to better analyze the social network data. The effectiveness and application value can also be achieved with a large number of experiments.

社交网络可视分析是社交媒体信息挖掘的研究热点，为舆论监控、商业营销、社会管理等提供了有效的决策依据。然而社交网络数据的维度多样性、结构不一性、关系复杂性使得社交网络中的群体行为模式仍未得到深刻理解，极大地影响了信息在社交网络中传播的可信性和可预测性。针对这些问题，本项目拟从群组机制的角度出发，利用可视化技术研究社交网络的群体关系与行为特征。首先综合考虑关系数据、属性数据和行为数据，结合图聚类、互信息、机器学习等技术提出特定的群体识别与关系可视化方法；其次，通过情感分析、主题挖掘、关键节点提取等技术研究信息在群体流转过程中的影响因素及其激励作用，并设计基于时间线的转发树来展示群体行为的动力机制与传播路径；进而基于上述发现的知识，建模群体行为的演化规则来模拟和展示信息在群内、群际的流动规律，从而预测事件态势的发展；最后集成以群体为中心的社交网络数据可视分析系统，验证所提方法的有效性与实用性。

社交网络可视分析是社交媒体大数据挖掘的研究热点与难点，在用户行为分析、舆情实时监测和社会管理决策等方面发挥着重要作用。本课题基于三年的研究工作，从大规模多元异构社交网络的社区感知、数据简约和关联分析三个角度出发，对社交网络可视分析进行了广泛且深入的研究。首先，提出了融合多维属性特征和拓扑结构特征的社区感知方法，可以更好地发现与识别社交网络中的群体关系，并设计了多维度多层次的可视化方法来有效展示社交网络中复杂的群体关系特征和多层级结构；其次，从数据简约的角度提出了大规模社交网络数据的采样方法，在简化海量社交网络可视表达的同时，有效支持情感分布、关键路径和重要节点等特征的提取与保留，有助于探索社交网络中的信息传播机制和动态过程；最后，提出面向社交网络的多维属性关联分析与可视化方法，利用图表征学习、自然语言处理和数据挖掘等技术，充分挖掘属性之间的关联关系，分析与理解用户偏好、行为决策和时空关联特征，有助于探索和预测社交网络中的群体行为和演化趋势。通过以上关键技术，本课题在舆情转发网络、引文网络和电信网络等领域展开了一系列实证研究，结果表明本课题提出的方法和理论对社交网络的信息挖掘、模式理解和可视表达很有启发意义和应用价值。在本项目的支持下，课题组发表学术论文13篇，其中SCI收录8篇，EI收录5篇；申请国家发明专利2项；协助培养硕士研究生2名。