基于核協同數據精準感知的社會信息網絡演化、建模及突發檢測研究

劉暢

摘 要：目前，社會計算和面向網絡化社會的研究在許多國家都被提升到了國家戰略層次，成為了學術界的研究熱點和前沿課題。社會信息網絡（SIN）作為社會計算的重要研究內容也是我們應該關注的對象。內容包括數據精準感知型核協同SIN構建、多維協同感知型SIN演化分析、動態SIN建模和SIN上的突發檢測進行了系統描述，不但可以為SIN研究提供理論支持，而且也可為涉及社會和諧發展的SIN上的突發檢測應用提供新方法。

關鍵詞：社會信息網絡；精準感知；核協同；演化分析；建模

中圖分類號：TP391，TP311 文獻標識碼：A

Abstract：At present，the research on social computing and network oriented society， which has been elevated to the national strategic level in many countries，has become the focus and advanced subject of academic.Social information network （SIN） should be paid more attention to，as the object of important research contents of social computing.SIN，including the data accurate perception of nuclear burst detection，collaborative SIN build multidimensional cooperative sensing type SIN evolution analysis， the burst detection of dynamic SIN modeling and SIN of the system description， can not only provide theoretical support for SIN research， but also provide a new method for relates to the harmonious development of society on the SIN burst detection application.

Keywords：social information network；accurate perception；kernel synergy；evolution analysis；modeling

1 引言（Introduction）

當今的網絡信息類型繁雜、數量眾多，應用也越來越廣泛，但我們對社會信息網絡的研究尚處于起步階段，缺乏長期的理論化、系統化研究。針對這一問題，我們應該適當開展社會信息網絡的構建、演化分析、建模、突發檢測等方面的研究。一項科學研究的終極目標是對其研究對象進行開發和應用，以便其能更好地為人類服務。這方面的研究可以著眼點在于為政府相關部門和機構提供及時處理社會信息網絡上的突發事件的方法并提供決策支持，從而緩解社會矛盾，保障社會的和諧、穩定、健康發展[1]。研究的落腳點可以放在社會信息網絡的構建、演化分析、建模三個方面。在這三個落腳點中，構建研究將為可靠的檢測結果提供準確、完備的數據保障，同時也為進行可靠的演化分析和建模研究提供數據保障，而演化分析研究和建模研究則為可靠的檢測結果提供理論保障。

2 數據精準感知型核協同社會信息網絡構建（Accurate data aware nuclear cooperative social information network construction）

社會信息網絡演化信息和突發事件線索往往同時存在于多個數據源中，并且在多維空間中相互影響。全面提取跨數據源的網絡信息，是網絡具有準確性、可靠性的前提和基礎。因此，多數據源協同互動感知機制研究是實現社會群體關系發掘與分析、突發事件態勢預測與預警等過程中不可或缺的重要步驟。研究對多源異構社會信息網絡網內的相關知識進行提取、協同統一，并在保證聚類平滑性這一前提下進行動態融合，對不完備鏈接進行填補，克服單源社會信息網絡數據局限性，實現網絡信息的精準感知。具體地說，社會信息網絡構建研究將在以下三方面展開：

（1）基于核協同的多源異構社會信息網絡極大相似子關系挖掘方法研究。在為具體應用設計核時，加入盡可能多的領域知識是極為重要的。社會信息網絡知識同時存在于不同的數據源中，傳統的基于圖的核方法及較先進的隨機游走核方法都存在著無法處理高階數據這一限制。因此，我們擬基于節點信息的擴散行為，構建一個適用于多網協同關系提取的新核，發現進而融合極大相似子關系，消除單源網絡信息片面性、不精準性這一限制。研究重點在于：①基于圖節點上的信息擴散，構建多源異構網絡信息協同擴散核，挖掘多數據源中的極大相似子關系；②控制擴散路徑的長度，提高挖掘精度，實現網絡數據精準感知。

（2）數據精準感知型社會信息網絡不完備多社會關系填補方法研究。在社會信息網絡中，許多節點之間的關系是未知的，從數據精準感知的角度來講，有必要對未知的、不完備的社會關系進行補全。社會信息網絡不完備社會關系填補，實際上是一種基于給定的圖以及已知邊來預測未知邊的問題。進一步講，它可以轉化為傳統的機器學習問題——矩陣補全（Matrix Completion）。最常見的矩陣補全方法是矩陣分解。矩陣分解在矩陣缺失值較少的情況下非常有效，其重構矩陣能保留原始矩陣大部分信息，然而真實的社會信息網絡往往是一個稀疏矩陣，僅僅擬合少量值來分解大規模稀疏矩陣，容易引起“過擬合”問題，進而影響模型的泛化能力，對未知元素的預測能力減弱[2]。因此，我們需要另辟蹊徑，尋求大型稀疏矩陣填補新方法。為了消除稀疏矩陣結構約束，實現對任意類型關系矩陣進行填補，我們研究的重點是利用多源網絡知識的協同共享，發現相似知識間的潛在關聯，構建潛在關系矩陣，提高大型稀疏矩陣填補的性能。

（3）動態核協同社會信息網絡群體關系融合方法研究。基于核協同挖掘的極大相似子關系具有動態性及連續性，從聚類的角度來講，處理動態數據目前主要有兩種手段。一種忽略了數據隨時間的變化，在隨時間累積的整體數據上直接應用傳統聚類方法。但是，在社會網絡演變過程中，突發事件的產生使得每一網絡快照上的聚類是明顯的，因此整體聚類結果可能是毫無意義的。另一種則忽略了不同時刻數據之間的關聯性而在每一個網絡快照上單獨應用傳統聚類方法，這導致了不同時刻的聚類結果相差甚遠。針對研究需要，我們的目標是設計具有普適性的在線式動態群體關系融合算法，以聚類結果精準為前提，實現時變條件下聚類結果仍然能夠保持光滑性。

3 多維協同感知型社會信息網絡演化分析（Analysison the evolution of cooperative awareness society multidimensional information network）

這部分的研究可以概括為演化特征分析、共棲屬性提取、協同演化分析三個層面。具體地說：

（1）基于TimeLine的感知型社會信息網絡演化特征研究。基于TimeLine的感知型社會信息網絡演化特征研究的主要內容是對其時序特征進行分析。因為社會信息網絡中存在著多變性、瞬時性、Churn特性，因而從已有社會感知數據中獲取TimeLine的準確程度將直接影響時序特征的分析結果。抽取TimeLine的時序間隔過大、過小或過于平緩，都不能準確的反映出該時間區間所發生事件的明顯特征[3]。如圖1所示，TimeLine上有五個時序區間T1、T2、T3、T4、T5，其中T1與 T2、T2與T3之間存在著相對的變化特征，T1與T5之間屬于絕對變化特征。因此，如何通過已有的社會感知數據，提取理想狀態下的TimeLine，并通過演化分析算法，對TimeLine上的不同時序進行演化特征分析是本研究的研究重點之一。

（2）感知型社會信息網協同共棲屬性提取。該研究將通過對感知型社會信息網協同共棲屬性提取，對其演化屬性進行分析。目前的研究，大多以靜態或時序網絡快照為主。因此在實現連續動態的演化環境中，需要重新定義協同演化度量指標。其中，共棲屬性可以區分出社會信息網絡中感知對象之間是共生關系，還是競爭關系等。設計個體和群體的共棲屬性提取方法，總結屬性變化規律，是分析社會信息網絡協同演化關系的重要前提和基礎。

（3）動態嵌套多向關聯的協同演化關系分析。該研究將設計感知型社會信息網絡的自適應表達式，提出協同演化關系分析方法，對多維協同演化關系進行分析。

社會信息包括了各種維度的信息，信息之間起著協同作用，構成了整個社會信息網絡的運行過程。它的協同演化過程是一個跨界現象，不僅發生在一個層級中，還可能發生在其他較低或較高層級中，而且還會發生在層級之間；既包括內部微觀對象的協同演化，也包括與外部環境的宏觀協同演化，并且這些不同層次的演化是交互嵌套、難以區分的。微觀行為主體的活動經常會產生宏觀上的效果，宏觀層的演化也會對微觀層的演化產生影響[4]。層級間互動的演化，是多層級協同演化的重要特征。圖2展示了一個社會信息網絡中多維信息的協同。

這部分還將利用各個子網絡的屬性值，重點研究通過社會數據感知計算技術，對動態嵌套多向關聯的協同演化關系進行分析，提出對社會信息網絡中的單方主導演化關系、共同主導演化關系和無主導演化關系的協同演化關系分析方法。

4 動態社會信息網絡建模（Dynamic social network information modeling）

建立動態的社會信息網絡模型，首先需要確定描述網絡模型的時間片特征值，即對時間軸進行足夠細的分割，使得每一時間片上至多有一個節點變更其連接策略，而同時保證其他節點保持其原有連接狀態不變。其次，需要設計網絡模型的動態連接策略。連接策略的正確選擇，決定著最終模型成功的與否。按照以上思路，模型建立部分的研究內容分為以下三個方面：

（1）以節點社會上下文（Social Context）為效用值，消除網絡噪音。研究表明，人的行為活動具有重復性與周期性，這樣就可以將人的多種行為特征表示為網絡節點的不同社會屬性，將節點的社會屬性進行歸納就可以得到節點的社會上下文知識[5]。根據社會上下文，可以得到節點的信譽評價值。真實的社會信息網絡中會存在一些由惡意節點引起的一定概率的誤連接，因此在建模之前預處理網絡數據可以降低由于個體行為的不確定性所帶來的網絡演化噪音。本部分內容研究應用社會上下文來評價節點的信譽度，并通過累計信譽記錄得到節點的最終信譽值。由于惡意節點在社會信息網絡中會惡意破壞社會信息網絡中的正常連接，對網絡研究的負面影響較大，所以可以根據節點的信譽評價值，孤立惡意節點并刪減其連接。

（2）基于社會特征的時間片發現算法：Time section discover approach based on social information（TSI）。根據信息網絡中節點的社會學特性，引入社會信息網絡中節點的社會信息屬性。因為當某個節點社會信息值發生一定變化時可能會引起社會信息網絡結構的變化，所以時間片的劃分應以節點社會信息屬性的較大變化為劃分依據，細化時間軸，使得每個時間片內只有一個節點的社會信息值發生變化，而其他節點按照慣性保持其社會信息屬性值不變。經過這樣處理之后，網絡結構的變化過程就可以看成是一個馬爾可夫過程。

（3）基于半隨機游走策略的動態連接。社會信息網絡中節點的連接過程可以看成是節點對社會信息進行追逐的過程。當網絡中某些節點的社會信息值發生較大變化時，網絡中的結構一般會發生相應的變化，其變化表現為網絡中的某些節點會相應地連接到目前社會信息價值較大的節點上。這部分將研究在建模中應用隨機游走策略，并設置連接閾值α。游走從網絡的某一節點開始執行，當游走到目前社會信息值較大的節點時進行連接，之后繼續游走到下一個目標節點，直到多次搜索并無更大社會信息值節點，完成一次隨機游走。在每個時間片中模型要完成多次隨機游走的動態重鏈。在隨機游走的過程中由于應用了連接閾值α限定連接操作，所以此操作可以看作是半隨機連接，連接閾值α的設定與網絡中節點的社會信息價值有關，α的具體值應高于網絡中節點的社會信息價值的平均值，并可設置α的浮動范圍δ（δ是一個較小的值）。

由于社會信息網絡研究的數據精準感知型核協同社會信息網絡的網絡結構是動態演化的結果，所以網絡結構將隨著網絡中節點數量、節點的社會信息屬性及節點社會上下文的變化而發生相應變化。上述三個方面的研究可以綜合表述為動態半隨機重連策略，應用這種策略建立的網絡模型可以表現出網絡由不穩定到相對穩定，再到不穩定的演變過程。

5 社會信息網絡上突發檢測方法（Social network information burst detection method）

由于社會信息網絡同時具有信息網絡的實時性和社會網絡的交互性的特點，因此可以通過研究社會信息網絡拓撲結構的演化行為，研究突發事件的檢測與預警方法。主要研究問題如下：

（1）網絡節點影響力分析方法。針對社會信息網絡不同于傳統網絡的集聚特性，提出網絡節點的影響力分析方法。首先，基于拓撲勢理論對社會信息網絡進行社區發現，并對網絡中的節點進行分類；其次，針對不同類型節點的不同結構特征，分別對其進行影響力分析。

（2）網絡節點的可信度評估方法。研究社會信息網絡中節點的可信度，一方面采用云模型對社區內和社區間的節點進行全局信任評估，另一方面通過引入時間窗及構造時間函數實現對可信度的動態更新。

（3）突發檢測方法與預警方法。由于突發事件具有的海量數據積聚、爆發的瞬時性及偶然性等特點，因此首先引入滑動窗口的思想對監測到的數據流進行分析，然后分析網絡拓撲的演化行為，進而對網絡上的突發事件進行檢測和預警。

在這些需要解決的科學問題中，基于網絡拓撲演化的突發事件檢測與預警方法研究為社會信息網絡研究目標實現的最后一環，而且帶有更大的探索性和前瞻性，所以基于網絡拓撲演化的突發事件檢測與預警方法研究可是說是我們需要解決的關鍵科學問題。

6 結論（Conclusion）

社會信息網絡是兼具社會網絡和信息網絡特征的新型網絡，一方面其節點間表現出強交互特征，另一方面其拓撲結構呈現強時變特征。由于社會信息網絡的數據具有多源性、異構性，拓撲結構具有多變性、瞬時性、Churn特性以及不同層級之間存在著交互嵌套演化等現象，因此社會信息網絡是一個異常復雜的系統，社會網絡和信息網絡上的傳統研究方法很難直接應用或遷移到社會信息網絡上。目前來看，社會信息網絡上的理論研究還比較匱乏，開發、應用等活動尚缺乏合適的實踐方法和指導理論。真正建立一個面向數據精準感知的動態社會信息網絡研究平臺，還需要我們不斷努力。

參考文獻（References）

[1] 劉挺.社會計算[J].中國計算機學會通訊，2011，7（12）：6-7.

[2] 毛文吉，等.社會計算的研究現狀與未來[J].中國計算機學會通訊，2011，7（12）：8-11.

[3] Chakareski J. Content preference estimation in online socialnetworks： message passing versus sparse reconstructionon Graphs[R].2011 IEEE International Conference onAcoustics，Speech，and Signal Processing， 2011：3760-3763.

[4] 吳斌，王柏，楊勝琦.基于事件的社會網絡演化分析框架[J].軟件學報，2011，22（7）：1488-1502.

[5] 付志鵬，等.對等網絡的抖動特性研究綜述[J].計算機學報，2011，34（9）：1563-1577.

作者簡介：

劉 暢（1978-），女，本科，副教授.研究領域：程序設計教學，數據挖掘研究與應用.