[00105323]面向多社交网络融合的时空分析与挖掘

　　该项目为北京市自然科学基金资助青年项目（资助编号：4174099）。

　　该项目以融合社交网络为对象，深入研究其中的对齐、聚类及其相关演进问题，达到如下三个方面的研究目标：

　　1. 利用多社交网络数据源，研究多社交网络对齐问题，提出于稳定匹配模型的多社交网络的对齐方法，从而达到建立融合社交网络目的。

　　2. 通过分析融合社交网络所建立的异质信息网络，提出高维异质信息网络的协同聚类方法以及融合聚类方法，从而达到深入分析融合社交网络隐含关系的目的。

　　3. 提出基于时间轴的社交网络信息演进机理，了解社交族群演化趋势，突破基于迭代的演进聚类机制，并建立面向特定社区的多维用户特征分析方法。

　　上述研究目标均与完成，同时将相关技术应用在电力、电信等领域。该项目的研究内容主要集中在网络对齐、聚类及其相关演进问题：

　　1. 面向多社交网络及多源数据的网络对齐方法研究：基于现实中部分对齐社交网络，提出关键算法即基于稳定匹配的迭代监督学习方法 ISS（Iterative Supervised framework with Strict stable matching）解决多社交网络不完备信息条件下的网络对齐问题。同时， 基于该网络对齐结果，深入探讨了文献网络作者、文献的对齐及趋势分析问题。

　　2. 面向异质网络的协同聚类与融合聚类研究：在异质网络模型的基础上，将排名聚类与协同聚类采取适当的方法组合，并应用于异构信息网络的聚类中，形成了基于异质网络的协同聚类方法，该方法可有效解决异质网络中的聚类问题。在此基础上，还延伸探讨了协同、融合聚类的方法改进问题，提出了面向电网社区用户的融合聚类方法，该聚类方法可有效提升聚类效果。

　　3. 面向演化分析的演化聚类及用户特征分析方法研究：在演化聚类方面，提出了一种基于 SQ/HQ 评估的演化聚类算法，该算法在 KMEANS 聚类算法基础上进行改进与优化。该方法进行演进聚类的时候使用了一个贪心的方法来实现聚类中心的演进，通过控制 SQ 与HQ 的水平，实现面向聚类的演化模型的构建。在社区演化的思想基础上，还探讨了聚类演化在电网、电信等领域的社区网络数据的应用，提出了基于演化思想的特征分析，从而支撑电网用电负荷特征的发现以及诈骗用户的发现。