基于兴趣图谱的社会网络演化机制研究

In this project, from the viewpoint of system integration, the user interest mapping is analyzed based on the supernetwork model for the Facebook, Taobao Web sites and the iPhone users. Then we investigate the relationship between the user interests and the social network evolution. Firstly, the interest-based chain is introduced to describe the user interest evolving pattern, then the two dimensional 'user-interest' supernetwork model is constructed and the relationship between any pair of user interests and their interactions is analyzed. Secondly, the possible latent semantic analysis (pLSA) and latent Dirichlet allocation (LDA) are used to identify the semantic content of the interest chain, which could be used to optimally simplify the interest chain structure. Thirdly, the link prediction method is embedded into the time-dependent community detection algorithm to find the community structure of the optimized semantic network and to analyze the evolution properties of communities. Finally, the interest and interaction evolution patterns are visualized based on the mapping methodology. Then we introduce a metric to identify the user ability of finding new interest points, which would be used to analyze the relationship between these users' collective behaviors and the popularity dynamics.

本项目从系统集成的角度，对Facebook、淘宝等在线社会网络及iPhone手机用户的兴趣图谱进行超网络建模，分析用户对应用程序、淘宝商品和App应用程序等产品的喜好信息与社会网络演化的关联关系。首先，利用"兴趣链"描述用户的兴趣演化，利用用户的兴趣演化特性构建"用户-兴趣点"动态超网络模型，并分析用户的社交行为与兴趣点转化之间的关联关系。其次，利用基于概率的浅层语义分析和狄利克莱分配方法分析用户兴趣点的语义内涵，识别"兴趣链"中的兴趣点特性，并对"兴趣链"进行结构优化。第三，利用链路预测算法构建基于时间片断分割的动态网络集团结构发现算法，识别结构优化后的用户兴趣点和朋友关系的集团结构，分析其演化特性。第四，利用图谱分析方法，从可视化角度描绘用户兴趣和朋友关系的发展演化历程，建立指标度量用户发现新兴趣点的能力，分析用户的行为模式对于产品流行性的影响。

本项目对兴趣图谱诱导的社会网络演化机制进行了系统研究，在基于超网络的演化模型，基于压缩感知的社会网络结构还原，基于兴趣演化的在线声誉度量和个性化推荐等方面取得了如下研究成果。第一，超网络模型的构建以及知识传播模型研究。提出了基于局域世界的超网络演化模型和基于"柯布-道格拉斯"函数的超图网络知识创造模型。考察了不同的参数组合下知识系统中的知识存量、个体的知识演化之间的关联关系等内容。第二，研究了利用压缩感知理论对不同网络还原效果的影响。研究网络的拓扑结构对基于压缩感知算法的网络重构的影响。对比不同网络的还原效果，我们发现基于压缩感知算法，同配性网络的重构效果比异配性网络的重构效果要好，同时在网络的同配系数r = 0.2时，网络的还原率达到最高，然后随着网络同配性的继续增加，网络的重构效果逐渐下降。第三，研究了社会网络中用户的重要性及声誉的度量方法。项目组结合网络拓扑结构和传播动力学机制，提出了新的中心性指标排序方法，提出了基于用户活跃度以及基于Beta概率分布的用户声誉和产品质量度量方法。在MovieLen和Netflix上的实验结果表明我们的算法比传统迭代算法可以给出更准确的声誉排序列表。最后，个性化推荐算法的设计以及用户行为分析。根据有限的时间窗口提出了一种改进的混合推荐算法。基于用户的近期行为能够更好地反映出其目前的兴趣偏好的思想，提出了一种基于有限时间窗口的改进的混合推荐算法。实验结果表明项目组提出的算法有很好的准确性与多样性。.项目组共发表科研论文46篇，其中SCI检索论文37篇，其中18篇论文发表在JCR一区期刊上。论文总引用次数400次，是原申请书中设定的150次目标的2倍；申请软件著作权9项，专利1项；培养青年教师2人，博士研究生5人，毕业硕士研究生39人；研究生获得国家奖学金17人次；团队产生上海市优秀毕业生10人。所有指标均大大超过了项目预期目标。郭强教授2018年获国家自然基金委员会资助的面上项目1项（编号71771152）。