在线社会网络中各主体动态行为间的相互作用分析

With the rapid development and ubiquitous of Web 2.0 technology, online social networks are no long the simple network reflection of real social connections, they have been recently widely used in viral marketing, information propagaiton, etc. Social networks have become the largest media that information can spread through in an incredible speed. The development of these social networks makes it possible for us to acquire so much social connection data at unprecedented level. Mining useful knowledge from the data will benefit us much in many areas including marketing, virus spreading control, policy excution, education, etc. However, we have so little knowledge in the evolution pattern of social networks that we cannot make all the data fully utilized. Especially, the research towards the correlations and interactions between personal behavior, community evolution and network evolution is still in an early stage which requires much research efforts. ..To this end, we propose in this project a systematical approach which incorporates the mathematical description of personal behavior, community evolution and network change using a unique bipartite graph. Based on that, we turn the personal behavior learning, community evolution learning and network change learning into a unified problem, namely, link prediction. In this way, we can further detect the correlations and interactions among the three using association mining algorithm and statistical method. Moreover, all these work sum up to a unified systematical model of social network evolution which consists of the knowledge of personal behavior, community evolution, network change as well as the connections among them. Finally, we also investigate ways and applications that the system can be applied.

随着Web2.0的快速发展，大型在线社会网络已经被广泛应用于网络推广、信息传播等方面。在线社会网络的发展使我们有机会面对海量的社交关系数据和信息，而对于这些信息的掌握可以使我们在市场推广、控制疫病、政策实施、通讯以及教育等诸方面受益匪浅。然而，我们对于这些社会网络的动态变化规律却仍然没有完整的认识，尤其是在个体行为、社团变化和网络整体规律的相互作用的理解上仍处于空白阶段。本课题中我们将利用偶图的理论，对社会网络中各层次主体（个体、社团和网络）动态行为的交互关系进行统一表示，并在此基础上将个体行为，社团变化和网络整体发展的研究统一成偶图中的边预测问题,从而挖掘这三者之间的联系和相互作用，并完善我们对于社会网络发展规律的认识。这种方法可以很好的解决个体、社团和网络动态行为的表示方法互斥的问题。此外，本课题还将系统的建立社会网络发展规律的多层次模型并进一步探索其应用于实际工作的途径。

随着Web2.0 的不断发展和无所不在，我们有机会面对在数量级上前所未有的社交关系数据和信息，而对于这些信息的掌握可以使我们在市场推广，控制疫病，政策实施，通讯以及教育等诸方面受益匪浅。然而，目前对于社会网络的动态发展规律并没有一个完整准确的认识，尤其对于个人、社区以及网络整体行为之间的相互联系和作用上还处于研究的初级阶段。为了解决这一问题，本课题首次将个人、社区和网络整体动态性进行统一的表述，在这一基础上挖掘三者变化规律的内在联系，完善我们对于社会网络动态性的认识，建立统一的社会网络动态挖掘的学习和预测系统，探索将这一系统应用于实际工作的途径。.在本课题的研究中，我们分别对社会网络个体行为方面、群体行为方面以及网络拓扑和信息传播方面的问题开展了系统的研究。在网络个体行为方面，项目组基于在个体影响力和接受力研究成果的基础，提出了新的改进方案，使得对接受力的自动评价更贴合于实际经验。在移动社交网络和应用方面结合自身在社交网络研究及数据挖掘方面的研究基础，针对出租车路径规划问题，提出了基于动态规划算法的出租车路径规划模型，在实际数据集中验证显示，提出的方案比当前最新成果节省70%的时间且保证了结果的精确度。在社会网络信息传播方面，基于已有的在社会影响力评价和学习上的研究成果，结合社会网络中影响力最大化问题的思想，将影响力和接受力评价方案扩展到影响力最大化问题及相应的分布式并行架构上，并在1000万个用户的真实大型社交网络数据集中实际测试了并行的影响力最大化算法，且实验结果相较于现有的算法在运行时间上有显著地改善；此外，。项目组结合自身在影响力最大化问题方面的研究基础以及博弈论提出了基于博弈论的有竞争网络中多传播源影响力传播社会收益最大化问题。在实际社交网络数据集的验证中，该方案实现了多传播源在互相竞争中即使对竞争对手的策略一无所知也可以实现自身影响力传播的最大化。.上述各项成果已发表于数据管理领域顶级会议和期刊SIGMOD, VLDB, EDBT, VLDB Journal, IEEE TKDE, Data Min. Knowl. Disc.等上，共计13篇，其中CCF A类国际会议及期刊4篇，SCI检索9篇，其中一篇文章获SIGMOD 2015最佳论文奖提名。