《群體性突發事件的動態模糊粗糙集預警模型研究》是依託哈爾濱工業大學，由於光擔任項目負責人的面上項目。
基本介紹
- 中文名：群體性突發事件的動態模糊粗糙集預警模型研究
- 依託單位：哈爾濱工業大學
- 項目類別：面上項目
- 項目負責人：於光
項目摘要,結題摘要,
項目摘要
群體性突發事件的爆發嚴重威脅社會秩序和危害公共安全，認識事件的演化規律並實現及時準確的預警，對預防事件的爆發具有重要意義。.群體性突發事件預警建模的重要特徵：其一，事件的爆發必然伴隨著群體信息的交流，並構成複雜的社會網路；其二，事件的爆發是社會網路演化的結果，某時刻群體社會網路結構及其演化信息對預報下一時刻事件發展是有用的；其三，描述群體社會網路結構的特徵是多類型的混合數據；其四，建模所用數據中存在模糊、隨機等不確定性。.本項目基於已經發生的群體性突發事件的動態演化信息，構建基於時間序列上的群體社會網路圖，利用圖上數據挖掘(核函式)方法提取影響事件勢態發展網路結構特徵及數量特徵，揭示事件爆發過程的演化規律；利用動態模糊粗糙集分析混合時序特徵與事件狀態之間的相關性，進行特徵約簡，形成預報因子，通過對樣本數據集學習建立動態模糊粗糙集預警模型，實現對群體性突發事件及時準確的預警。
結題摘要
群體性突發事件的爆發嚴重威脅社會秩序和危害公共安全，認識事件的演化規律並實現及時準確的預警，對預防事件的爆發具有重要意義。本項目利用社會網路理論、圖上數據挖掘、模式識別和機器學習（深度學習）等方法對該問題進行了系統的研究，主要包括以下幾個方面： 第一，基於圖形數據挖掘方法對已經發生的群體性突發事件的動態演化信息，構建基於時間序列上的群體社會網路圖，建立了操控網路群體行為的識別方法，研究分析了虛擬社群圖結構的頻繁模式，構建了操控社群與非操控社群的頻繁模式樹，得到了操控社群與非操控社群的頻繁結構，實驗驗證的結果表明模型具有較好的分類精度，能夠保證操控網路群體行為的準確識別。 第二，進行了網路群體觀點的輿情突發事件發展影響因素及發現方法研究。建立了網路輿情中群體用戶中意見領袖的發現方法，及時發現群體事件形成的重要人物；同時，建立了網路輿情事件中群體的意見態度及其社群發現方法，即根據情感相似性，把網民的評論劃分成不同的觀點社群，提出了最長有序情感句挖掘算法來提取每個觀點社群中的代表性觀點，實驗表明，該方法能夠更加細粒度的分析網路輿情的特點，對於相關網路管理者掌控群體意見發展的動態變化有現實意義。 第三，構建了線上社交網路數據特徵模型和進行用戶連線預測研究。利用可變精度方法對微博線上社交網路數據特徵進行分析，利用情感分析方法研究社交網路文本特徵，分析不同類別的特徵的對情感分類的貢獻度；在此基礎上建立了微博社交網路指數隨機圖模型，研究不同時期的模型中不同結構的演化過程，通過計算某一對節點連線前後的機率變化預測這一節點對建立連線的機率。此項研究成果可為輿情事件演化的用戶數量趨勢預測奠定基礎，還可為社會化推薦系統提供最初的推薦列表。 第四，基於粗糙集方法建立公共健康突發事件預警方法並進行實證研究，建立了已發生的健康突發事件的數據集，其次基於粗糙集方法的事件特徵提取和特徵約簡，尤其是早期特徵是預測的關鍵，發現了公共健康事件的高轉發微博的內容特徵，建立了公共健康突發事件的預測模型，實證分析驗證了該模型的有效性。 第五，建立了基於情感相似度的社會化推薦系統，並以新浪微博平台為例，研究如何利用各種信息構建社會化推薦系統。 第六，對社交網路的異常人群行為模式和自動識別方法問題進行了相關研究。包括基於深度學習的社交媒體文本的情感分類研究，失眠、抑鬱症、愛滋病等人群的行為模式研究。
