基于知识图谱的社交媒体管理分析关键技术研究

The complex dynamic relations in social media are the main obstacle for deep data analysis. Nowadays, existing systems can hardly support high-performance analysis of the dynamic relations of social media. Knowledge graph is one of the most popular techniques for relational reasoning. This project will manage and analyze the dynamic relations of social media by using the knowledge graph. However, the distinct characteristics of social media data, which are multi-source, large-scale and abundant temporal information, bring grand challenges for the existing knowledge graph techniques: the hardness of temporal knowledge graph construction, the low precision and efficiency of relational reasoning on social media knowledge graph, the difficulty of mining temporal structural pattern..This project focuses on the demand for mining the values of dynamic relations in social media. We aim to develop, analyze, design, and evaluate key techniques to intelligently manage and analyze the large-scale social media based on knowledge graph. Particularly, we will solve the problems of multi-source temporal knowledge graph construction, highly efficient and effective relational reasoning, and flexible temporal structural pattern mining, and develop a series of the novel and original techniques. Further, a system prototype for dynamic relation analysis of social media will be developed to demonstrate the utility/effectiveness by combining the proposed techniques in the project. The research achievements will help improve the ability of social media data processing and analysis for various organizations, such as companies, governments, and banks.

社交媒体中复杂的动态关系是进行深度数据分析的巨大障碍。现有的系统难以对社交媒体的动态关联关系高效分析。知识图谱是目前一种流行的关系推理技术。本项目将利用知识图谱对社交媒体大数据中的丰富动态关系进行管理分析。然而，社交媒体数据的多源性、大规模、时态丰富性，给现有的知识图谱技术带来了全新的挑战，包括时态知识图谱构建难、基于社交媒体知识图谱的关系推理性能低效精度差、面向实体集的时序结构演化模式挖掘不易等。.本项目围绕社交媒体大数据中动态关系的价值挖掘需求，旨在研究、分析、设计和评估基于知识图谱的大规模社交媒体智能化管理分析的关键技术。通过系统的理论研究和技术实践，攻克基于社交媒体知识图谱的多源构建融合、高效精准关系推理、时序模式挖掘等难题，形成一系列新颖的原创技术。并通过搭建社交媒体动态关联关系分析原型系统进行技术验证。研究成果将有利于提升企业、政府、银行等不同机构处理分析社交媒体数据的能力。

社交媒体中复杂的动态关系是进行深度数据分析的巨大障碍。现有的系统难以对社交媒体的动态关联关系高效分析。知识图谱是实现社交媒体大数据中丰富动态关系智能化管理分析的关键技术之一。然而，社交媒体数据的多源性、大规模、时态丰富性的特点给知识图谱技术带来了全新的挑战。本项目从社交媒体知识图谱构建与处理、社交媒体知识图谱表示与学习、社交媒体知识图谱挖掘与分析三方面展开了深入研究，构建了面向特定领域的多源社交媒体大规模知识图谱，提出了一系列大图高效采样方法，支持大规模社交媒体知识图谱的快速处理；建立了基于随机游走的知识图谱高效表示学习系统，将当前先进的表示学习技术有效地应用到了大规模场景的关系推理；提出了去中心化分布式图神经网络训练框架，实现了面向大规模知识图谱的图神经网络高效训练；在此基础上，围绕自然灾害这一特定领域，建立了基于多源社交媒体的灾害事件分析系统，辅助分析人员全面了解某一灾害事件的发展脉络。在项目执行期间，共发表相关学术论文25篇，其中CCF A 类论文15篇，出版学术专著1部，申请和授权发明专利4项；获CCF A类数据库领域顶级国际会议VLDB 2022最佳研究论文奖、CCF B类数据库领域重要国际会议DASFAA 2020最佳学生论文奖、2021年北京市普通高校优秀本科生毕业设计（论文）优秀指导教师、2021年ACM SIGMOD中国新星奖等；累计有3名博士生和7名硕士生参与研究工作，其中2名硕士生已顺利毕业。

内容获取失败，请点击重试