时间演化尺度下大规模社会网络特征分析与社区结构挖掘

Social networks have received a great deal of attention in recent years. However, there are few studies with respect to large-scaled and evolutional networks until now. In view of the features of large-scale and evolution, using real-world networks as a proxy, the project focuses on the statistical features of social networks, combined with graph theory and topology theory .Moreover, the project researches community structure features and other complex behaviors during the dynamic evolution. The research contents are listed as follows. First, the project realizes the scheme of data acquisition and completes the data collection, storage, compression and visualization. Second, the project analyzes the features of networks with the consideration of multiple dimensions, and then carry on the quantitative modeling. Besides, the method of community detection based on modified modularity optimization is put forward by considering the resolution limit, and then experimental evaluation is conducted. Finally, the project studies the structure features of the impact of community changes, and the evolution of community structure based on event framework. The project aims at studying on the features of large-scaled and evolutional social networks, enriching the methods of massive data mining, and providing some exploratory theoretical results for the study of social networks and complex networks.

近年来社会网络的研究得到了越来越多的关注，但是对于大规模的、具有时间演化特性的社会网络研究比较少。本项目围绕社会网络的大规模特性和时间演化特性，以现实世界的网络作为实证对象，结合应用图论和拓扑学等现代科学理论，对社会网络的统计特征进行深入研究，并分析社会网络的动态演化期间社区结构特性及其随时空变化而展示的复杂行为。首先，设计并实现海量的网络数据获取方案，完成数据的采集、存储、压缩、可视化；在此基础上，从多个特征角度分析其用户特征和网络特征，并进行量化建模；然后，提出基于模块度优化的增强型社区发现算法，并进行实验评估；最后，研究影响社区融合、分裂、形成、消失和保持等基本事件的结构特征，提出基于事件框架的社区演化分析方法。本项目旨在研究时间演化尺度下大规模社会网络特征分析与社区结构挖掘，从而丰富海量数据挖掘的研究方法，并提供分析社会网络、复杂网络的新思路。

本项目的研究成果主要包括三方面内容：（1）社会网络统计特征研究；（2）社会网络意见领袖发现研究；（3）社会网络影响力最大化研究。. 在社会网络统计特征方面：首先研究主题特性，利用传统的LDA主题模型，与基于PageRank的节点重要性算法相融合，充分挖掘社会网络中蕴含的结构信息，提高传统LDA算法模型中携带的信息量，进而提高话题发现的准确率；其次研究时间特性，针对动态网络特性提出时间衰变函数，并将其引入用户影响力分析，用于评价用户的影响力；最后研究多属性特征融合，结合节点的多维属性，构建张量模型采用高阶正交迭代算法进行张量分解，得到核心矩阵和因子矩阵， 最后根据核心矩阵生成链接预测结果。. 在社会网络意见领袖发现方面：首先研究基于加权转发关系的意见领袖发现，以微博中意见领袖的识别为目标，考虑到用户之间的交互活跃度，采用能够代表社会网络中信息流向的转发关系构建网络模型，实现加权网络中的意见领袖识别；其次研究基于多维特征分析的社会网络意见领袖排序算法，不仅分析了结构、行为、主题等多维特征，而且考虑了不同特征的权重。利用熵权法对多个特征进行综合评价，避免主观因素的影响，使排序结果更加准确。. 在社会网络影响力最大化研究方面：首先研究面向动态社会网络的影响力最大化分析方法，针对大多数现有的影响力最大化算法被限制在静态网络中问题，通过分析时间因素在影响力传播中的作用，将幂率分布应用到影响力传播模型中，使得最终的结果更加准确和可靠；其次研究基于社区结构的社会网络影响力最大化方法，通过分析社区结构在实际信息传播中的作用，在保证算法效率的前提下进一步提高种子节点的影响范围；最后，研究基于分解的社会网络影响力最大化方法，通过进行分解，划分出核及每个核中的节点，考虑了位置属性的重要性，并利用混合度来精细化选取种子节点，不仅考虑节点本身的直接影响力，还考虑了邻居节点对其间接影响力。