[01212168]面向社交网络的跨媒体数据智能处理与分析

随着互联网的飞速发展,社交网络媒体已悄然改变了民众的生活方式。构建安全可靠的社交网络数据处理体系,获取社交群体的内在关联与群体属性,挖掘分析社交网络中蕴含的文本、图像等跨媒体数据,实施决策分析,对推动社交网络智能信息处理关键技术的创新发展具有重要意义和现实价值。为此,自2012年以来,本项目面向“社交网络的跨媒体数据智能处理与分析”,对社交网络群体划分与隐私保护、社交用户图像及文本多媒体数据处理与分析方面展开了深入研究,在重叠社团划分、高“保真”社团匿名保护、社交用户图像属性估计、社交网络文本语义分析方面取得了显著成效,主要创新点如下： （1） 构建社交网络社团划分与匿名保护新方法。揭示了社交网络关联子图划分机理,提出了基于“结构可达”与“循环边删除”的子图聚类方法;实现了大规模社交网络中重叠子图的划分目标;构建了以任意“用户属性”为度量的密集群体划分方法;设计了与时间信息相适应的社团用户兴趣推荐模型。率先建立了两阶段K+-同构社团匿名保护框架;实现了“先深度,后广度”的相似子图搜索;达到了匿名数据与原数据的最大程度“保真”。美国乔治华盛顿大学计算机系Xiuzhen Cheng教授等四位IEEE Fellow认为所提出的K+-同构方法降低了社团子图的匿名保护实施难度,提升了数据匿名化效率,确保了社团间信息传递的安全性。 （2） 实现高精度社交网络用户面部属性估计。提出了一种基于p范数、有收敛理论保证且对数据噪声不敏感的数据鲁棒类中心求解算法;构建了基于有序阈值回归的社交用户人脸图像属性估计模型;提出了基于对抗学习的图像去噪方法;实现了人机交互的图像锚点标定功能;设计了基于图像空间分布和相似关系先验指导的图像分割系统;创新性的提出了基于相对排列顺序标度的层次型分析优化算法RPOSM-AHP,提升了模型参数寻优效率和有效性。俄罗斯自然科学院外籍院士/IEEE Fellow焦李成教授等学者认为所提出的基于有序阈值回归的人脸图像属性估计模型在有效应对数据噪声的同时,可求得数据类别的稳定几何中心,提升人脸属性估计的准确性。 （3） 形成社交网络文本语义分析关键技术。提出了面向低噪声与高信息密集度的文本语义特征提取方法,构建了基于多次投票机制的概率抽样模型;设计了将术语最大频率和分布差异度与传统卡方统计相结合的文本语义特征提取方法;创新性的提出了基于信息丰富度的文本语义建模方法;构建了词语级情感嵌入以及社交网络多人物文本会话场景下的情感预测模型。IEEE Fellow张建奇教授认为提出的基于信息丰富度的文本语义建模方法,有效地将观察网格的高度、宽度等特征相融合,通过评估函数计算特征之间的相关性,有效促进了特征信息的重构。 通过对“社交网络的跨媒体数据智能处理与分析”的研究,获批国家自然科学基金3项,江苏省自然科学基金1项。申请国家发明专利33项（授权18项）,授权软件著作权30项。在IEEE TKDE, IEEE TCYB, IEEE TAC, IEEE TNNLS等期刊发表论文150余篇,SCI收录74篇,ESI高被引论文5篇。以上论文Web of Science他引1200余次,单篇最高他引275次,Google Scholar引用2400余次。