大数据环境下的人物身份消歧与融合算法

In the social network big data environment, as the most important entity, people often have multiple virtual identities. It is very important to realize the user identify disambiguation and fusion. Through systematic research and in-depth analysis of related studies, we find that existing researches on the user identity disambiguation in the static scenario has poor performance, and there are few related studies on the user identity disambiguation in the dynamic scenario. In addition, how to further conduct user community fusion has also not been explored. To address these problems above, this project explores the related researches from two aspects, e.g., disambiguation and fusion, as follows: 1. proposing an efficient, robust multi-network user identity disambiguation approach in the static scenario based on network representation learning; 2. fully considering the network dynamics and proposing an efficient multi-network user identity disambiguation approach in the dynamic scenario based on recurrent neural networks; 3. further leveraging hypergraph theory and proposing an efficient multi-network community fusion approach to quickly and accurately discover a closely connected and relatively stable user community. The three research contents above are self-contained while they are still closely related and complement each other. These research results of this project will lay a solid foundation for analysis and mining applications, such as user profile, cross-domain recommendations, and community discovery, and have great significance and broad prospects in academic research, industrial application and national security.

在社交网络大数据环境下，人作为其中最重要的实体，往往存在多重虚拟身份，如何进行用户身份消歧和融合至关重要。通过对相关成果的系统研究和深入分析，发现已有研究在静态场景下的用户身份消歧方面性能较差，且鲜有研究动态场景下的用户身份消歧。另外，如何进一步进行用户群体融合也尚未得到探索。针对上述问题，本项目从消歧和融合两方面展开研究。具体研究内容如下：1、基于表示学习理论，提出静态场景下高效、鲁棒的多网络用户身份消歧方法；2、充分考虑网络动态性，基于循环神经网络，提出动态场景下高效的多网络用户身份消歧方法；3、利用超图理论，进一步提出高效的群体融合方法，以快速准确地发现紧密联系且相对稳定的用户群体。上述三个研究内容，分别自成体系，却又紧密相关，相辅相成。本项目的研究成果，将为用户画像、跨域推荐和群体发现等应用奠定坚实的基础，在学术研究、产业应用和国家安全方面均具有重大意义和广阔前景。

在社交网络大数据环境下，人作为其中最重要的实体，往往存在多重虚拟身份，如何进行用户身份消歧和融合至关重要。通过对相关成果的系统研究和深入分析，发现已有研究在静态场景下的用户身份消歧方面性能较差，且鲜有研究动态场景下的用户身份消歧。另外，如何进一步进行用户群体融合也尚未得到探索。.针对上述问题，本项目从消歧和融合两方面展开研究，提出了大数据环境下的人物身份消歧与融合方法，包括提出静态场景下多网络用户身份消歧方法、动态场景下多网络用户身份消歧方法和多网络用户群体融合方法等，已在国际著名学术会议和期刊上发表与本项目有关的高水平论文15篇，其中包括CCF A类论文6篇（IJCAI 论文1篇、AAAI论文 1篇、WWW论文 1篇、TKDE论文3篇）、Trans论文6篇，并申请国家发明专利3项。具体成果介绍如下。.1、针对静态场景下多网络用户身份消歧问题，提出了一种基于狄利克雷分布的知识表示方法，并提出了一种基于行为分析的用户身份消歧方法。相关研究成果发表在WWW 2022、IJCAI 2020、TKDE 2022、Information Science 2022和Trans on Big Data 2022上。.2、针对动态场景下多网络用户身份消歧问题，提出了一种基于微分方程的动态图表示学习方法、变分双曲图神经网络的动态表示方法，并基于此，提出了基于双曲空间的动态多网络用户身份消歧方法。相关研究成果发表在KBS 2021、AAAI 2021、TKDE 2022和Globecom 2020、电子学报 2022上。.3、针对多网络用户群体融合问题，提出了一种基于迁移学习的跨网络用户画像方法和一种基于双曲空间表示学习的社区融合方法。相关研究成果发表在CIKM 2020和ICDM 2020、TKDE 2021上。.本项目的研究成果，将为用户画像、跨域推荐和群体发现等应用奠定坚实的基础，在学术研究、产业应用和国家安全方面均具有重大意义和广阔前景。