【综述】在线社交网络挖掘与搜索技术研究

第11卷第6期 智能系统学报 Vol.11 No.6 2016年12月 CAAI Transactions on Intelligent Systems Dec.2016 D0I:10.11992/is.201612007 网络出版地址：http://www.cnki.net/kcms/detail,/23.1538.TP.20170111.1619.002.html 在线社交网络挖掘与搜索技术研究 石磊，杜军平1，周亦鹏2，叶杭，赖金财，何奕江 (1.北京邮电大学智能通信软件与多蝶体北京市重点实验室，北京100876；2.北京工商大学计算机与信息工程学 院，北京100048) 摘要：随着在线社交网络的蓬勃发展，传统的数据挖掘的和搜索方法已经不能完全适用于Wb2.0时代的社交网 络。社交网络具有社交关系复杂、数据量大、动态更新、数据多模态等特点，给数据挖掘和搜索的研究来了巨大的挑 战。因此，研究基于社交网络挖掘和搜索的新方法成为学术界和工业界的一项新任务。文章全面分析了社交网络 发展的基本情况和存在的问题，阐述了社交网络结构建模、信息传播机制、社区发现、情感分析、事件监测及社交网 络搜索排序技术的主要研究工作，并基于已有研究工作对社交网络挖掘和网络搜索技术进行了分析和展望。 关键词：社交网络：数据挖掘：搜索：社区发现：信息传播 中图分类号：TP393文献标志码：A文章编号：1673-4785(2016)06-0777-11 中文引用格式：石磊，杜军平，周亦鹏，等.在线杜交网络挖掘与搜索技术研究[J].智能系统学报，2016,11(6)：777-787. 英文引用格式：SHI Lei,DU Junping,ZHO0 Yipeng,ctal.A survey on online social network mining and search[J].CAAI Trans-- actions on Intelligent Systems,2016,11(6):777-787. A survey on online social network mining and search SHI Lei',DU Junping',ZHOU Yipeng?,YE Hang',LAI Jincai',HE Yijiang' (1.Beijing Key Laboratory of Intelligent Telecommunications Software and Multimedia,Beijing University of Posts and Telecommunica- tions,Beijing 100876,China;2.School of Computer Science and Information Engineering,Beijing Technology and Business Universi- ty,Beijing 100048,China) Abstract:With the vigorous development of online social networks,the traditional technologies of data mining and searching cannot solve the problems of social networks in the Web 2.0 era.Social networks,accompanied by com- plex social relationships,large amounts of data,dynamic updates,multimodal data,etc.have brought great chal- lenge to the study of data mining and searching.Therefore,the research of novel algorithms of social network mining and searching has become a new task in both academia and industry.This paper summarized the basic situation and problems of social networks,and analyzed structural modeling techniques,information transmission mechanisms, community detection,sentiment analysis,event detection and search ranking techniques of social networks.Based on the analysis of previous researches,the prospect of social network data mining and search technologies was fore- casted in this paper. Keywords:social networks;data mining;search;community detection;information transmission 在线社交网络也称社交网络服务(SNS)山，SNS是由网络上每个独立存在的个体以及个体之间 的相互关系所构成的一个社会化媒体网络。随着这 收稿日期：2016-12-06. 种新型网络的出现，把以前网络仅仅是用户消耗和 基金项目：国家自然科学基金重点项目(61532006)：国家自然科学基金 重大国际合作项目(61320106006). 获取信息，变成了一个人人参与、人人可以产生信 通信作者：杜军平.E-mail:junpinge@126.com 息，而且用户之间可以进行交流和互动的网络。目

第 １１ 卷第 ６ 期 智 能 系 统 学 报 Ｖｏｌ．１１ №．６ ２０１６ 年 １２ 月 ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ Ｄｅｃ． ２０１６ ＤＯＩ：１０．１１９９２ ／ ｔｉｓ．２０１６１２００７ 网络出版地址：ｈｔｔｐ： ／ ／ ｗｗｗ．ｃｎｋｉ．ｎｅｔ ／ ｋｃｍｓ／ ｄｅｔａｉｌ ／ ２３．１５３８．ＴＰ．２０１７０１１１．１６１９．００２．ｈｔｍｌ 在线社交网络挖掘与搜索技术研究 石磊１ ，杜军平１ ，周亦鹏２ ，叶杭１ ，赖金财１ ，何奕江１ （１．北京邮电大学 智能通信软件与多媒体北京市重点实验室，北京 １００８７６； ２．北京工商大学 计算机与信息工程学 院，北京 １０００４８） 摘 要：随着在线社交网络的蓬勃发展，传统的数据挖掘的和搜索方法已经不能完全适用于 Ｗｅｂ ２．０ 时代的社交网 络。 社交网络具有社交关系复杂、数据量大、动态更新、数据多模态等特点，给数据挖掘和搜索的研究来了巨大的挑 战。 因此，研究基于社交网络挖掘和搜索的新方法成为学术界和工业界的一项新任务。 文章全面分析了社交网络 发展的基本情况和存在的问题，阐述了社交网络结构建模、信息传播机制、社区发现、情感分析、事件监测及社交网 络搜索排序技术的主要研究工作，并基于已有研究工作对社交网络挖掘和网络搜索技术进行了分析和展望。 关键词：社交网络；数据挖掘；搜索；社区发现；信息传播 中图分类号： ＴＰ３９３ 文献标志码：Ａ 文章编号：１６７３－４７８５（２０１６）０６－０７７７－１１ 中文引用格式：石磊，杜军平，周亦鹏，等． 在线社交网络挖掘与搜索技术研究［Ｊ］． 智能系统学报， ２０１６， １１（６）： ７７７－７８７． 英文引用格式：ＳＨＩ Ｌｅｉ， ＤＵ Ｊｕｎｐｉｎｇ， ＺＨＯＵ Ｙｉｐｅｎｇ， ｅｔ ａｌ． Ａ ｓｕｒｖｅｙ ｏｎ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｍｉｎｉｎｇ ａｎｄ ｓｅａｒｃｈ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓ⁃ ａｃｔｉｏｎｓ ｏｎ Ｉｎｔｅｌｌｉｇｅｎｔ Ｓｙｓｔｅｍｓ， ２０１６， １１（６）： ７７７－７８７． Ａ ｓｕｒｖｅｙ ｏｎ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｍｉｎｉｎｇ ａｎｄ ｓｅａｒｃｈ ＳＨＩ Ｌｅｉ １ ， ＤＵ Ｊｕｎｐｉｎｇ １ ， ＺＨＯＵ Ｙｉｐｅｎｇ ２ ， ＹＥ Ｈａｎｇ １ ， ＬＡＩ Ｊｉｎｃａｉ １ ， ＨＥ Ｙｉｊｉａｎｇ １ （ １． Ｂｅｉｊｉｎｇ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｉｎｔｅｌｌｉｇｅｎｔ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎｓ Ｓｏｆｔｗａｒｅ ａｎｄ Ｍｕｌｔｉｍｅｄｉａ， Ｂｅｉｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｐｏｓｔｓ ａｎｄ Ｔｅｌｅｃｏｍｍｕｎｉｃａ⁃ ｔｉｏｎｓ， Ｂｅｉｊｉｎｇ １００８７６， Ｃｈｉｎａ； ２． Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ， Ｂｅｉｊｉｎｇ Ｔｅｃｈｎｏｌｏｇｙ ａｎｄ Ｂｕｓｉｎｅｓｓ Ｕｎｉｖｅｒｓｉ⁃ ｔｙ， Ｂｅｉｊｉｎｇ １０００４８， Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｗｉｔｈ ｔｈｅ ｖｉｇｏｒｏｕｓ ｄｅｖｅｌｏｐｍｅｎｔ ｏｆ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ， ｔｈｅ ｔｒａｄｉｔｉｏｎａｌ ｔｅｃｈｎｏｌｏｇｉｅｓ ｏｆ ｄａｔａ ｍｉｎｉｎｇ ａｎｄ ｓｅａｒｃｈｉｎｇ ｃａｎｎｏｔ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍｓ ｏｆ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｉｎ ｔｈｅ Ｗｅｂ ２．０ ｅｒａ． Ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ， ａｃｃｏｍｐａｎｉｅｄ ｂｙ ｃｏｍ⁃ ｐｌｅｘ ｓｏｃｉａｌ ｒｅｌａｔｉｏｎｓｈｉｐｓ， ｌａｒｇｅ ａｍｏｕｎｔｓ ｏｆ ｄａｔａ， ｄｙｎａｍｉｃ ｕｐｄａｔｅｓ， ｍｕｌｔｉｍｏｄａｌ ｄａｔａ， ｅｔｃ． ｈａｖｅ ｂｒｏｕｇｈｔ ｇｒｅａｔ ｃｈａｌ⁃ ｌｅｎｇｅ ｔｏ ｔｈｅ ｓｔｕｄｙ ｏｆ ｄａｔａ ｍｉｎｉｎｇ ａｎｄ ｓｅａｒｃｈｉｎｇ． Ｔｈｅｒｅｆｏｒｅ， ｔｈｅ ｒｅｓｅａｒｃｈ ｏｆ ｎｏｖｅｌ ａｌｇｏｒｉｔｈｍｓ ｏｆ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｍｉｎｉｎｇ ａｎｄ ｓｅａｒｃｈｉｎｇ ｈａｓ ｂｅｃｏｍｅ ａ ｎｅｗ ｔａｓｋ ｉｎ ｂｏｔｈ ａｃａｄｅｍｉａ ａｎｄ ｉｎｄｕｓｔｒｙ． Ｔｈｉｓ ｐａｐｅｒ ｓｕｍｍａｒｉｚｅｄ ｔｈｅ ｂａｓｉｃ ｓｉｔｕａｔｉｏｎ ａｎｄ ｐｒｏｂｌｅｍｓ ｏｆ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ， ａｎｄ ａｎａｌｙｚｅｄ ｓｔｒｕｃｔｕｒａｌ ｍｏｄｅｌｉｎｇ ｔｅｃｈｎｉｑｕｅｓ， ｉｎｆｏｒｍａｔｉｏｎ ｔｒａｎｓｍｉｓｓｉｏｎ ｍｅｃｈａｎｉｓｍｓ， ｃｏｍｍｕｎｉｔｙ ｄｅｔｅｃｔｉｏｎ， ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ， ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｓｅａｒｃｈ ｒａｎｋｉｎｇ ｔｅｃｈｎｉｑｕｅｓ ｏｆ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ． Ｂａｓｅｄ ｏｎ ｔｈｅ ａｎａｌｙｓｉｓ ｏｆ ｐｒｅｖｉｏｕｓ ｒｅｓｅａｒｃｈｅｓ， ｔｈｅ ｐｒｏｓｐｅｃｔ ｏｆ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｄａｔａ ｍｉｎｉｎｇ ａｎｄ ｓｅａｒｃｈ ｔｅｃｈｎｏｌｏｇｉｅｓ ｗａｓ ｆｏｒｅ⁃ ｃａｓｔｅｄ ｉｎ ｔｈｉｓ ｐａｐｅｒ． Ｋｅｙｗｏｒｄｓ： ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ； ｄａｔａ ｍｉｎｉｎｇ； ｓｅａｒｃｈ； ｃｏｍｍｕｎｉｔｙ ｄｅｔｅｃｔｉｏｎ； ｉｎｆｏｒｍａｔｉｏｎ ｔｒａｎｓｍｉｓｓｉｏｎ 收稿日期：２０１６－１２－０６． 基金项目：国家自然科学基金重点项目（６１５３２００６）；国家自然科学基金 重大国际合作项目（６１３２０１０６００６）． 通信作者：杜军平． Ｅ⁃ｍａｉｌ：ｊｕｎｐｉｎｇｄｕ＠ １２６．ｃｏｍ． 在线社交网络也称社交网络服务（ ＳＮＳ） ［１］ ， ＳＮＳ 是由网络上每个独立存在的个体以及个体之间 的相互关系所构成的一个社会化媒体网络。 随着这 种新型网络的出现，把以前网络仅仅是用户消耗和 获取信息，变成了一个人人参与、人人可以产生信 息，而且用户之间可以进行交流和互动的网络。 目

·778 智能系统学报 第11卷 前存在的社交网络形式可以分为5类)：即时通信 发现、情感分析、事件监测、搜索索引及排序等方面 类，如腾讯QQ、MSN、微信等：在线社交平台类，如 对目前社交网络挖掘和搜索相关研究的现状进行了 FaceBook、LinkedIn、人人网等：社交微博平台类，如 总结和论述，并对社交网络挖掘和搜索的发展趋势 Twitter、新浪微博、腾讯微博等：标签协同平台类，如 进行了展望。 Delicious、Flickr等；科研分享与社交平台，如Re- 1在线社交网络挖掘的关键技术 searchGate、学术圈等。用户通过这些平台可以在线 交流、交换信息、分享资源、新闻转发和评论等。另 社交网络挖掘作为最近几年热门的研究和应 外，随着社交网络的出现，传统的新闻门户网站或各 用，涉及多种理论和技术，包括了数理统计、数据挖 大传统媒体的官方网站也都提供了基于社交网络的 掘技术、矩阵论等。 分享和转发功能，方便用户快速分享新闻或电子期 数据挖掘[)一般是指从大量的数据中通过算 刊到相关社交网络平台。 法搜索隐藏于其中信息的过程。数据挖掘通常与计 随着在线社交网络的蓬勃发展，数据也在快 算机科学有关，并通过统计、在线分析处理、情报检 速增长，FaceBook有超过16亿的活跃用户，而中 索、机器学习、专家系统和模式识别等诸多方法来实 国的新浪微博也有超过5亿的活跃用户。社交 现。而社交网络分析与挖掘则是通过数据挖掘的方 网络正日益影响着用户的生活习惯，成为用户生 法从社交网络数据中提取信息的过程[，目前在社 活中的一部分。社交网络相比传统网络体现出 交网络分析与挖掘方向主要的研究有社交网络结构 更加复杂的综合特征，使得传统的挖掘理论和模 建模、信息传播研究、社区发现、情感分析及事件监 型难以描述社交网络中的用户行为方式。只有 测等。 通过有效的挖掘社交网络中的文本、图片等多种 1.1社交网络结构建模 信息，分析数据中隐含的特有属性、研究用户的 社交网络结构建模是社交网络研究的基础，采用 行为特征，才可以弥补传统挖掘和搜索方法在社 结构化方法和数学方法来研究社交网络的内部各种 交网络中的不足，实现满足用户个性化需求的智 特征和机制。基于社交网络研究的第一步是对其结 慧化的搜索。当前在线社交网络挖掘中最具有 构进行建模刀，目的是对其内部结构和演化规律进 代表性的研究方向包括社交网络结构建模、信息 行深化。一般对社交网络结构建模通过统计学习方 传播、社区发现、情感分析、事件监测等。 法来构造，然后分析社交网络的分布规律、关系紧密 在海量数据中找到自己想要的或者感兴趣的内 程度、相识关系的紧密程度，某个用户对于网络中其 容和信息，通常被称之为信息搜索，它是指信息按一 他用户对之间传递消息的重要程度等诸多统计特性。 定的方式组织起来，并根据信息用户的需要找出有 社交网络建模由最初的ER随机图模型到小世 关的信息的过程和技术[)。信息搜索主要使用传 界、无标度模型、六度分割等。Moreno等首先将图 统的搜索引擎来进行，采用的方法包括基于Wb1.0 论的方法引入了人类社交关系分析中，随着技术的 静态网页，通过BM25等算法计算内容的相似性。 发展，研究人员发现ER随机图已经不能解决重尾 在排序方面主要采用了传统的谷歌PageRank和 分布等问题，因此能够解决这些问题的参数特征小 HITS算法。但这种传统的搜索算法对Wb2.0的 世界网络被提出，这是一个基于统计的模型。 应用不能很好地支持，同时没有考虑社交网络的5V Handcock等提出的隐含位置聚类模型，Watts等分 性[4)。社交网络搜索区别于一般搜索的一个重要 析和验证了“六度分隔”和小世界模型劉。Kumar 特点是除了对内容的搜索之外，还可以提供对特定 等研究了在线社区的路径长度问题，其长度要大于 对象如个人、群体、社区的搜索，这就需要挖掘社交 “六度分隔”。Harary等提出一种有向图模型来表 网络中社交关系、社区、事件传播、情感分析等内容 示社交网络中的单向关系[劉。H$U等)通过应用 来弥补社交网络内容搜索的缺陷，因此如何围绕用 可变的社会向量时钟和权重变化，构建了一个权重 户和网页作为中心，实现如搜索用户、社会关系、社 耦合的定向链路生成算法，对社交网络群体结构建 区发现、事件来源等社会化层面的搜索，并通过理解 模。Domg等[o通过图模型研究了社交网络中个人 用户的意图等实现智慧化搜索是社交网络搜索研究 和相关社会现象之间的关系，实现人口统计推断、链 的关键。 接推荐、社会影响预测等应用。Slaughter等t提出 本文主要从社交网络结构建模、信息传播、社区 基于贝叶斯多层次模型的社交网络结构模型，拓展

前存在的社交网络形式可以分为 ５ 类［２］ ：即时通信 类，如腾讯 ＱＱ、ＭＳＮ、微信等；在线社交平台类，如 ＦａｃｅＢｏｏｋ、ＬｉｎｋｅｄＩｎ、人人网等；社交微博平台类，如 Ｔｗｉｔｔｅｒ、新浪微博、腾讯微博等；标签协同平台类，如 Ｄｅｌｉｃｉｏｕｓ、Ｆｌｉｃｋｒ 等；科研分享与社交平台，如 Ｒｅ⁃ ｓｅａｒｃｈＧａｔｅ、学术圈等。 用户通过这些平台可以在线 交流、交换信息、分享资源、新闻转发和评论等。 另 外，随着社交网络的出现，传统的新闻门户网站或各 大传统媒体的官方网站也都提供了基于社交网络的 分享和转发功能，方便用户快速分享新闻或电子期 刊到相关社交网络平台。 随着在线社交网络的蓬勃发展，数据也在快 速增长，ＦａｃｅＢｏｏｋ 有超过 １６ 亿的活跃用户，而中 国的新浪微博也有超过 ５ 亿的活跃用户。 社交 网络正日益影响着用户的生活习惯，成为用户生 活中的一部分。 社交网络相比传统网络体现出 更加复杂的综合特征，使得传统的挖掘理论和模 型难以描述社交网络中的用户行为方式。 只有 通过有效的挖掘社交网络中的文本、图片等多种 信息，分析数据中隐含的特有属性、研究用户的 行为特征，才可以弥补传统挖掘和搜索方法在社 交网络中的不足，实现满足用户个性化需求的智 慧化的搜索。 当前在线社交网络挖掘中最具有 代表性的研究方向包括社交网络结构建模、信息 传播、社区发现、情感分析、事件监测等。 在海量数据中找到自己想要的或者感兴趣的内 容和信息，通常被称之为信息搜索，它是指信息按一 定的方式组织起来，并根据信息用户的需要找出有 关的信息的过程和技术［３］ 。 信息搜索主要使用传 统的搜索引擎来进行，采用的方法包括基于Ｗｅｂ １．０ 静态网页，通过 ＢＭ２５ 等算法计算内容的相似性。 在排序方面主要采用了传统的谷歌 ＰａｇｅＲａｎｋ 和 ＨＩＴＳ 算法。 但这种传统的搜索算法对 Ｗｅｂ ２．０ 的 应用不能很好地支持，同时没有考虑社交网络的 ５Ｖ 性［４］ 。 社交网络搜索区别于一般搜索的一个重要 特点是除了对内容的搜索之外，还可以提供对特定 对象如个人、群体、社区的搜索，这就需要挖掘社交 网络中社交关系、社区、事件传播、情感分析等内容 来弥补社交网络内容搜索的缺陷，因此如何围绕用 户和网页作为中心，实现如搜索用户、社会关系、社 区发现、事件来源等社会化层面的搜索，并通过理解 用户的意图等实现智慧化搜索是社交网络搜索研究 的关键。 本文主要从社交网络结构建模、信息传播、社区 发现、情感分析、事件监测、搜索索引及排序等方面 对目前社交网络挖掘和搜索相关研究的现状进行了 总结和论述，并对社交网络挖掘和搜索的发展趋势 进行了展望。 １ 在线社交网络挖掘的关键技术 社交网络挖掘作为最近几年热门的研究和应 用，涉及多种理论和技术，包括了数理统计、数据挖 掘技术、矩阵论等。 数据挖掘［５］ 一般是指从大量的数据中通过算 法搜索隐藏于其中信息的过程。 数据挖掘通常与计 算机科学有关，并通过统计、在线分析处理、情报检 索、机器学习、专家系统和模式识别等诸多方法来实 现。 而社交网络分析与挖掘则是通过数据挖掘的方 法从社交网络数据中提取信息的过程［６］ ，目前在社 交网络分析与挖掘方向主要的研究有社交网络结构 建模、信息传播研究、社区发现、情感分析及事件监 测等。 １．１ 社交网络结构建模 社交网络结构建模是社交网络研究的基础，采用 结构化方法和数学方法来研究社交网络的内部各种 特征和机制。 基于社交网络研究的第一步是对其结 构进行建模［ ７ ］ ，目的是对其内部结构和演化规律进 行深化。 一般对社交网络结构建模通过统计学习方 法来构造，然后分析社交网络的分布规律、关系紧密 程度、相识关系的紧密程度，某个用户对于网络中其 他用户对之间传递消息的重要程度等诸多统计特性。 社交网络建模由最初的 ＥＲ 随机图模型到小世 界、无标度模型、六度分割等。 Ｍｏｒｅｎｏ 等首先将图 论的方法引入了人类社交关系分析中，随着技术的 发展，研究人员发现 ＥＲ 随机图已经不能解决重尾 分布等问题，因此能够解决这些问题的参数特征小 世界 网 络 被 提 出， 这 是 一 个 基 于 统 计 的 模 型。 Ｈａｎｄｃｏｃｋ 等提出的隐含位置聚类模型，Ｗａｔｔｓ 等分 析和验证了“六度分隔” 和小世界模型［８］ 。 Ｋｕｍａｒ 等研究了在线社区的路径长度问题，其长度要大于 “六度分隔”。 Ｈａｒａｒｙ 等提出一种有向图模型来表 示社交网络中的单向关系［８］ 。 ＨＳＵ 等［９］ 通过应用 可变的社会向量时钟和权重变化，构建了一个权重 耦合的定向链路生成算法，对社交网络群体结构建 模。 Ｄｏｎｇ 等［１０］通过图模型研究了社交网络中个人 和相关社会现象之间的关系，实现人口统计推断、链 接推荐、社会影响预测等应用。 Ｓｌａｕｇｈｔｅｒ 等［１１］ 提出 基于贝叶斯多层次模型的社交网络结构模型，拓展 ·７７８· 智 能 系 统 学 报 第 １１ 卷

第6期 石磊，等：在线社交网络挖掘与搜索技术研究 ·779. 了现有的随机图结构，同时允许组内连接结构之间 中时间和空间的变化，来预测社交网络中传递过程 的信息传输。Amato等12]在超图模型基础上提出 的展开方式，分为基于图和基于非图两类模型。 了基于Fikr社交多模态信息的超图模型结构模 1)基于图模型。Romero等)提出了一个线性 型，利用超图建立多媒体内容之间、用户和多媒体内 阈值模型来预测传递过程的方法，该方法依赖于信 容之间、用户和用户之间的关系，该模型的引入打破 息病毒式传播及成对用户之间的影响力和接受信息 了传统方法只能引入简单的社交关系的限制，为深 概率参数等。Saito等[2o]提出了ASIC和ASLT算 入研究社交网络提供了方法。 法，通过提出异步扩展，放宽传统的基于图形的IC 基于非图结构的研究方面，Bajaj等]提出了 和LT模型的同步性假设。Guille等2将传播过程 一种基于Agent的模型，该模型把社交网络结构视 建模为异步独立级联过程，提出了T-BaSIC模型。 为一个外生变量，是一种时间感知的关系模型。M- Xu等[2提出随时间变化的信息扩散模型。该模型 houb等[4模拟一个主体参与的面对面社交行为， 主要探讨了随时间变化的信息扩散模型和标准模型 提出了基于贝叶斯网络多式联运的行为模型，并通 的关系。 过实验验证了其性能优于马尔可夫模型(HMM)和 2)基于非图模型。Wen等[2)提出了一个随机 隐马尔可夫模型(HSMMS)。 节点水平传播分析模型，它可以动态地获取信息传 由于在线社交网络结构具有社交关系复杂、内 播时间和捕获人们的行为差异，并可以分析社会参 容多样、结构动态变化、数据多维等特点，所以对其 数对信息传播的影响。Tuarob等[2)]提出了一个基 进行深入研究还需要更多有效的建模和计算方法， 于四种网络信号的OIA-SRS模型，用于观察网络节 而不是仅局限于图的建模方法。 点信息在不同节点中的传递情况。Tambuscio等() 1.2社交网络信息传播 提出了一个改进的SS模型用于预测错误信息在社 社交网络的分享和转发功能使用户可以随时转 交网络中的传递规模。模型依赖于4种参数，分别 发和分享社交信息，其信息数据的传播和扩散的范 为传递速率、轻信程度、验证可能性和遗忘速度。在 围迅速扩大，通过对社交网络中信息的传播机制进 同构网、异构网络和真实社交网络的实验中，显示出 行研究可以实现社交网络的舆情与态势分析、谣言 错误信息检查的可能性的阈值，定量地衡量出根除 传播溯源、事件追踪、精准搜索等研究。社交网络中 骗局所必需的最小反应。Wang等26]通过对新浪微 的信息传播分析涉及到社会学、传播学、统计学、计 博的信息传播过程进行分析，发现微博社区的信息 算机科学等，一般的研究只是针对几个热门的研究 传播类似于动态模型，故通过数据密集型计算理论 点进行，这里主要介绍目前学术界聚焦的信息传播 对动态模型的算法进行改进，同时对新浪微博数据 建模和社交影响力分析这两个方向。 的各种特征进行了挖掘和建模，并提出了Seinr模 信息传播主要是通过建立信息传播模型和社交 型，取得了较好的效果。 影响力分析等研究社交网络中信息传播的机制。目 在影响力分析方面。主要有基于网络结构的影 前的研究可以归纳为两个模型：解释模型和预测模 响力排序算法、结合网络结构和文本内容的影响力 型。解释模型的目的是推导出潜在的级联传递，得 排序算法、异构信息中的影响力算法等。经典的影 出完整的激活序列。Gomez等[s]提出了基于次模 响力分析算法主要有PageRank算法以及相关的改 函数优化的NETINF迭代算法，利用节点间感染次 进算法，如SimRank和TwitterRank等。Rometro 数的联系来推导出级联传递的结构，并假设被激活 等[1提出了一种基于图的P算法，与HTS算法类 的节点以特定的概率传递给相邻节点。Jons等[1o) 似，为每一个用户转发信息时分配了一个相对影响 扩展了NETINF算法，通过解决最大似然问题来推 力和被动分数：Pal等[列提出了一种非图的话题敏 断出两两节点的传输速率和传递图像。Gomez 感模型，通过对节点的集群排名发现最具影响力和 等[刊继续扩展了NETRATE算法，提出了基于时间 权威性的人：Suo等[28]提出了基于超网及其拓扑结 变化的推理算法INFOPATH,采用随机梯度提供变 构的模型用于分析社交网络中的用户影响力：吴岘 化的网络中的在线结构和时序变化分析。Sadikov 辉等[]提出了一种基于用户行为网络的改进的 等1们基于K树模型提出了一种可以通过少量的完 PageRank算法，称之为TopicLeaderRank算法，将用 整被激活序列估计级联传递中的属性的方法。 户属性、网络拓扑及交互信息等特征综合考虑；Sup- 预测模型的目的是观察并学习过去的传递过程 pa等〔0]考虑到社交网络数据和图像的快速增长造

了现有的随机图结构，同时允许组内连接结构之间 的信息传输。 Ａｍａｔｏ 等［１２］ 在超图模型基础上提出 了基于 Ｆｌｉｃｋｒ 社交多模态信息的超图模型结构模 型，利用超图建立多媒体内容之间、用户和多媒体内 容之间、用户和用户之间的关系，该模型的引入打破 了传统方法只能引入简单的社交关系的限制，为深 入研究社交网络提供了方法。 基于非图结构的研究方面，Ｂａｊａｊ 等［１３］ 提出了 一种基于 Ａｇｅｎｔ 的模型，该模型把社交网络结构视 为一个外生变量，是一种时间感知的关系模型。 Ｍｉ⁃ ｈｏｕｂ 等［１４］ 模拟一个主体参与的面对面社交行为， 提出了基于贝叶斯网络多式联运的行为模型，并通 过实验验证了其性能优于马尔可夫模型（ＨＭＭ）和 隐马尔可夫模型（ＨＳＭＭＳ）。 由于在线社交网络结构具有社交关系复杂、内 容多样、结构动态变化、数据多维等特点，所以对其 进行深入研究还需要更多有效的建模和计算方法， 而不是仅局限于图的建模方法。 １．２ 社交网络信息传播 社交网络的分享和转发功能使用户可以随时转 发和分享社交信息，其信息数据的传播和扩散的范 围迅速扩大，通过对社交网络中信息的传播机制进 行研究可以实现社交网络的舆情与态势分析、谣言 传播溯源、事件追踪、精准搜索等研究。 社交网络中 的信息传播分析涉及到社会学、传播学、统计学、计 算机科学等，一般的研究只是针对几个热门的研究 点进行，这里主要介绍目前学术界聚焦的信息传播 建模和社交影响力分析这两个方向。 信息传播主要是通过建立信息传播模型和社交 影响力分析等研究社交网络中信息传播的机制。 目 前的研究可以归纳为两个模型：解释模型和预测模 型。 解释模型的目的是推导出潜在的级联传递，得 出完整的激活序列。 Ｇｏｍｅｚ 等［１５］ 提出了基于次模 函数优化的 ＮＥＴＩＮＦ 迭代算法，利用节点间感染次 数的联系来推导出级联传递的结构，并假设被激活 的节点以特定的概率传递给相邻节点。 Ｊｏｎｅｓ 等［１６］ 扩展了 ＮＥＴＩＮＦ 算法，通过解决最大似然问题来推 断出 两 两 节 点 的 传 输 速 率 和 传 递 图 像。 Ｇｏｍｅｚ 等［１７］继续扩展了 ＮＥＴＲＡＴＥ 算法，提出了基于时间 变化的推理算法 ＩＮＦＯＰＡＴＨ，采用随机梯度提供变 化的网络中的在线结构和时序变化分析。 Ｓａｄｉｋｏｖ 等［１８］基于 Ｋ 树模型提出了一种可以通过少量的完 整被激活序列估计级联传递中的属性的方法。 预测模型的目的是观察并学习过去的传递过程 中时间和空间的变化，来预测社交网络中传递过程 的展开方式，分为基于图和基于非图两类模型。 １）基于图模型。 Ｒｏｍｅｒｏ 等［１９］ 提出了一个线性 阈值模型来预测传递过程的方法，该方法依赖于信 息病毒式传播及成对用户之间的影响力和接受信息 概率参数等。 Ｓａｉｔｏ 等［２０］ 提出了 ＡＳＩＣ 和 ＡＳＬＴ 算 法，通过提出异步扩展，放宽传统的基于图形的 ＩＣ 和 ＬＴ 模型的同步性假设。 Ｇｕｉｌｌｅ 等［２１］ 将传播过程 建模为异步独立级联过程，提出了 Ｔ－ＢａＳＩＣ 模型。 Ｘｕ 等［２２］提出随时间变化的信息扩散模型。 该模型 主要探讨了随时间变化的信息扩散模型和标准模型 的关系。 ２）基于非图模型。 Ｗｅｎ 等［２３］ 提出了一个随机 节点水平传播分析模型，它可以动态地获取信息传 播时间和捕获人们的行为差异，并可以分析社会参 数对信息传播的影响。 Ｔｕａｒｏｂ 等［２４］ 提出了一个基 于四种网络信号的 ＯＩＡ⁃ＳＩＲＳ 模型，用于观察网络节 点信息在不同节点中的传递情况。 Ｔａｍｂｕｓｃｉｏ 等［２５］ 提出了一个改进的 ＳＩＳ 模型用于预测错误信息在社 交网络中的传递规模。 模型依赖于 ４ 种参数，分别 为传递速率、轻信程度、验证可能性和遗忘速度。 在 同构网、异构网络和真实社交网络的实验中，显示出 错误信息检查的可能性的阈值，定量地衡量出根除 骗局所必需的最小反应。 Ｗａｎｇ 等［２６］ 通过对新浪微 博的信息传播过程进行分析，发现微博社区的信息 传播类似于动态模型，故通过数据密集型计算理论 对动态模型的算法进行改进，同时对新浪微博数据 的各种特征进行了挖掘和建模，并提出了 Ｓｅｉｎｒ 模 型，取得了较好的效果。 在影响力分析方面。 主要有基于网络结构的影 响力排序算法、结合网络结构和文本内容的影响力 排序算法、异构信息中的影响力算法等。 经典的影 响力分析算法主要有 ＰａｇｅＲａｎｋ 算法以及相关的改 进 算 法， 如 ＳｉｍＲａｎｋ 和 ＴｗｉｔｔｅｒＲａｎｋ 等。 Ｒｏｍｅｔｒｏ 等［１９］提出了一种基于图的 ＩＰ 算法，与 ＨＩＴＳ 算法类 似，为每一个用户转发信息时分配了一个相对影响 力和被动分数；Ｐａｌ 等［２７］ 提出了一种非图的话题敏 感模型，通过对节点的集群排名发现最具影响力和 权威性的人；Ｓｕｏ 等［２８］ 提出了基于超网及其拓扑结 构的模型用于分析社交网络中的用户影响力；吴岘 辉等［２９］提出了一种基于用户行为网络的改进的 ＰａｇｅＲａｎｋ 算法，称之为 ＴｏｐｉｃＬｅａｄｅｒＲａｎｋ 算法，将用 户属性、网络拓扑及交互信息等特征综合考虑；Ｓｕｐ⁃ ｐａ 等［３０］考虑到社交网络数据和图像的快速增长造 第 ６ 期 石磊，等：在线社交网络挖掘与搜索技术研究 ·７７９·

.780 智能系统学报 第11卷 成的计算复杂度较大，提出了一种改进的Brande算 算法，例如图分割、图聚类、图的修剪等方法。 法快速评估大型网络中结点距离，为了便于选择主 图分割的相关工作认为社区的成因是因为网络 结点，采用Louvian算法进行聚类；Yang等[3通过 连边之间存在“强弱连边关系”，主要有两点：“三元 用户社会角色之间的相互联系及在信息传递时的影 闭包”关系下演化出来的、节点之间相互博弈生成 响力调查，提出了一个角色导向信息扩散模型，将社 的。因此在图分割视角下的科学问题就是“如何识 会角色识别和扩散模型集成到一个统一的框架，开 别强弱连边关系”。典型的图分割方法是模块化的 发出基于吉布斯抽样的算法应用于该模型：Subbian 方法和CPM方法。Su等[]提出了一个模糊模块 等[]提出了一个在社会流量中利用主题和时间敏 最大化(FMM)的社区发现方法，该方法利用了广义 感性的方法计算用户的实时影响力。 NEWMAN模块的最大化方法来发现社区，然后采用 上述社交网络的信息传播机制的研究主要集中 树的结构局部最优化发现的社区，实验结果表明通 在经典的传染病模型的利用和扩展上，没考虑从社 过该方法可以高效地发现重叠社区。Kloster等[ 交网络作为一个个体自身去考虑，比如考虑传播过 用一个基于热核的算法来标识社区的起始节点，提 程中用户的心理因素、用户扮演的角色等。在影响 出了一个确定性的局部算法计算社区的产生，并通 力分析方面通常只考虑了社交网络用户的全局影响 过度加权范数的矩阵指数模型来估计社区。AL 力或者局部影响力，而没有根据实际情况综合去考 TUNBEY等3]提出了元启发式模块优化算法，该算 虑，忽视了社交网络的尺度多样性特征。 法通过优化网络模块化的适应度函数来发现重叠社 1.3社区发现 区，取得了较好的效果。ARAB等6提出自下而上 社交网络的核心是参与其中的用户以及用户之 的社区检测方法，采用模块化和NMI的混合方法从 间的关系。因此，学术界通常采用图模型对其进行建 细粒度的社区开始，逐步发现真实社区。Chen 模，其中节点表示参与社交网络中的用户，而边则表 等[别在基于图分割策略的基础上提出了一个局部 示社交网络中用户间的关系，同时利用每条边的权重 菲德勒向量中心算法(LFVC)来发现深度社区。模 表示用户之间关系强度或亲密程度，权值越大表示关 块法方法虽然有不错的效果，但其缺点也很明显，就 系强度或者亲密程度越大，那些内部连接比较紧密的 是存在识别极限的问题。 节点子集合对应的子图叫做社区，各社区节点集合彼 当前图聚类的方法主要是基于谱聚类思想。它 此没有交集的称为非重叠型社区，有交集的称为重叠 关注的科学问题是“节点的空间映射问题”。谱聚 型社区。网络图中包含一个社区的现象称为社区结 类算法是解决网络生成模型的有效的方法，这种概 构。给定一个网络图，找出其社区结构的过程叫做社 率生成模型的理论基础也使得其具有广泛的普适效 区发现。一个典型的社区如图1所示，图中各个点表 应，成为现今社区发现算法的主要研究方向。Zhang 示成千上万的用户，边表示用户之间的关系，每个点 等[8]的研究致力于通过谱聚类算法解决重叠社区 聚集的区域表示一个社区，同时由于每个人可能有多 发现的问题。Gao等[9]通过图聚类的发放解决了 种爱好，不同的社区可以发生重叠。 复杂网络的适用性问题。Mahmood等ao]通过线性 编码来提高算法运行速率的问题，取得良好的效果。 然而，上述的方法都是从建模网络连边密度入手的， 没有实际建模网络连边的生成过程。而且上述方法 认为每个节点仅仅属于一个社区，忽略了社区中存 在的重叠现象，因此，节点表达的思路认为每个节点 都是K个社区的分配的表达。这里的科学问题就 是“如何通过观测网络学习得到这种节点的隐式表 达”。AIROLDI等[4)提出了混合隶属度随机块模 图1典型的社区图 型，这种基于概率统计方法的生成式模型更好地解 Fig.1 Typical community graph 释了节点之间的边是如何生成的以及整个网络是如 社区发现技术可以发现社交网络中相关的拓 何生成的，并通过机器学习方法来学习隐变量得到 扑结构以及兴趣爱好，通常采用不同的数据挖掘算 网络的重叠划分。这种方法对网络的解释性更好， 法来研究，目前的研究方法通常集中在图论的相关 唯一缺点就是优化速度慢，可能会优化到局部最优

成的计算复杂度较大，提出了一种改进的 Ｂｒａｎｄｅ 算 法快速评估大型网络中结点距离，为了便于选择主 结点，采用 Ｌｏｕｖｉａｎ 算法进行聚类；Ｙａｎｇ 等［３１］ 通过 用户社会角色之间的相互联系及在信息传递时的影 响力调查，提出了一个角色导向信息扩散模型，将社 会角色识别和扩散模型集成到一个统一的框架，开 发出基于吉布斯抽样的算法应用于该模型；Ｓｕｂｂｉａｎ 等［３２］提出了一个在社会流量中利用主题和时间敏 感性的方法计算用户的实时影响力。 上述社交网络的信息传播机制的研究主要集中 在经典的传染病模型的利用和扩展上，没考虑从社 交网络作为一个个体自身去考虑，比如考虑传播过 程中用户的心理因素、用户扮演的角色等。 在影响 力分析方面通常只考虑了社交网络用户的全局影响 力或者局部影响力，而没有根据实际情况综合去考 虑，忽视了社交网络的尺度多样性特征。 １．３ 社区发现 社交网络的核心是参与其中的用户以及用户之 间的关系。 因此，学术界通常采用图模型对其进行建 模，其中节点表示参与社交网络中的用户，而边则表 示社交网络中用户间的关系，同时利用每条边的权重 表示用户之间关系强度或亲密程度，权值越大表示关 系强度或者亲密程度越大，那些内部连接比较紧密的 节点子集合对应的子图叫做社区，各社区节点集合彼 此没有交集的称为非重叠型社区，有交集的称为重叠 型社区。 网络图中包含一个社区的现象称为社区结 构。 给定一个网络图，找出其社区结构的过程叫做社 区发现。 一个典型的社区如图 １ 所示，图中各个点表 示成千上万的用户，边表示用户之间的关系，每个点 聚集的区域表示一个社区，同时由于每个人可能有多 种爱好，不同的社区可以发生重叠。 图 １ 典型的社区图 Ｆｉｇ．１ Ｔｙｐｉｃａｌ ｃｏｍｍｕｎｉｔｙ ｇｒａｐｈ 社区发现技术可以发现社交网络中相关的拓 扑结构以及兴趣爱好，通常采用不同的数据挖掘算 法来研究，目前的研究方法通常集中在图论的相关 算法，例如图分割、图聚类、图的修剪等方法。 图分割的相关工作认为社区的成因是因为网络 连边之间存在“强弱连边关系”，主要有两点：“三元 闭包”关系下演化出来的、节点之间相互博弈生成 的。 因此在图分割视角下的科学问题就是“如何识 别强弱连边关系”。 典型的图分割方法是模块化的 方法和 ＣＰＭ 方法。 Ｓｕ 等［３３］ 提出了一个模糊模块 最大化（ＦＭＭ）的社区发现方法，该方法利用了广义 ＮＥＷＭＡＮ 模块的最大化方法来发现社区，然后采用 树的结构局部最优化发现的社区，实验结果表明通 过该方法可以高效地发现重叠社区。 Ｋｌｏｓｔｅｒ 等［３４］ 用一个基于热核的算法来标识社区的起始节点，提 出了一个确定性的局部算法计算社区的产生，并通 过度加权范数的矩阵指数模型来估计社区。 ＡＬ⁃ ＴＵＮＢＥＹ 等［３５］提出了元启发式模块优化算法，该算 法通过优化网络模块化的适应度函数来发现重叠社 区，取得了较好的效果。 ＡＲＡＢ 等［３６］ 提出自下而上 的社区检测方法，采用模块化和 ＮＭＩ 的混合方法从 细粒 度 的 社 区 开 始， 逐 步 发 现 真 实 社 区。 Ｃｈｅｎ 等［３７］在基于图分割策略的基础上提出了一个局部 菲德勒向量中心算法（ＬＦＶＣ）来发现深度社区。 模 块法方法虽然有不错的效果，但其缺点也很明显，就 是存在识别极限的问题。 当前图聚类的方法主要是基于谱聚类思想。 它 关注的科学问题是“节点的空间映射问题”。 谱聚 类算法是解决网络生成模型的有效的方法，这种概 率生成模型的理论基础也使得其具有广泛的普适效 应，成为现今社区发现算法的主要研究方向。 Ｚｈａｎｇ 等［３８］的研究致力于通过谱聚类算法解决重叠社区 发现的问题。 Ｇａｏ 等［３９］ 通过图聚类的发放解决了 复杂网络的适用性问题。 Ｍａｈｍｏｏｄ 等［４０］ 通过线性 编码来提高算法运行速率的问题，取得良好的效果。 然而，上述的方法都是从建模网络连边密度入手的， 没有实际建模网络连边的生成过程。 而且上述方法 认为每个节点仅仅属于一个社区，忽略了社区中存 在的重叠现象，因此，节点表达的思路认为每个节点 都是 Ｋ 个社区的分配的表达。 这里的科学问题就 是“如何通过观测网络学习得到这种节点的隐式表 达”。 ＡＩＲＯＬＤＩ 等［４１］ 提出了混合隶属度随机块模 型，这种基于概率统计方法的生成式模型更好地解 释了节点之间的边是如何生成的以及整个网络是如 何生成的，并通过机器学习方法来学习隐变量得到 网络的重叠划分。 这种方法对网络的解释性更好， 唯一缺点就是优化速度慢，可能会优化到局部最优。 ·７８０· 智 能 系 统 学 报 第 １１ 卷

第6期 石磊，等：在线社交网络挖掘与搜索技术研究 .781 1.4情感分析 1.5社交网络事件监测 情感计算是1997年由MIT的Picard教授提出 社交网络事件监测的目标是对社交内容中的事 的，情感计算是与情感相关，来源于情感或能够对情 件和热点话题的自动识别和已知话题的持续跟踪。 感施加影响的计算，而随着社交网络的发展，基于社 事件监测的基础方法为计算文档之间的相似性。具 交网络的情感分析再次成为学术界的研究热点，通 体方法是预先设置关键词或者突发词，然后计算词 过情感分析可以对社交网络搜索提供更加精确的理 与词之间相似度来监测事件，文档之间相似性常用 解，提高搜索准确度。 度量方法为夹角余弦，如式(1)所示： 目前学术界基于情感分析的研究方法主要 集中在社交网络文本的情感词方法。该方法主 含a× sim(D,D,)cos 0= (1) 要是通过人工整理出程度副词表、否定词表和社 交网络中默认表情符号的褒贬分类，然后在情感 } 词语计算的基础上，考虑上下文中否定词和程度 式中：sim(D1,D2)表示相似度函数，D,和D2表示文 词对修饰情感词语的情感倾向和情感强度的影 档内容，而A,和B,表示两个n维向量。 响，同时也设定规则计算表情符号对一条微博的 该方法仅适用于静态文本语料库分析的传统话 情感倾向判断的作用[42]。Marquez等[43]使用相 题监测技术，而社交网络中不但存在大量的静态文 关的情感词典从不同的情绪特征维度出发来提 本，同时也存在跨媒体内容，这就涉及语义分析相关 升微博情感分类的精度：H山等〔4)通过加入社会 内容，因此这种简单计算文本相似性的方法无法直 学的方法来提高情感分析的准确性，该方法结合 接适用于在线社交网络产生的跨媒体的海量数据 了情绪感染理论到监督学习的过程，并利用稀疏 中。Kaleel等[so]利用词频逆序文档频率和局部敏 学习实现了微博文本中的去噪；Debashis等[4s]通 感哈希的方法实现热点事件发现，并通过聚类的方 过用户社交网络中的对话，确定用户的情绪，通 法提高事件监测的效率。Andrea等[s)提出了一个 过一个新的词汇字典和情感的罗素模型识别情 基于微博交通事件实时监测系统，根据微博标签和 感，并利用隐含狄利克雷分配(LDA)生成模型建 预设的搜索条件，利用支持向量机算法对事件进行 立主题和情感分布：Sixto等〔46]利用BM25排序 分类，最后实现事件监测。Li等提出了基于 函数与支持向量机相结合的监督学习方法来对 Spak的分布式微博突发事件监测增量时间主题模 Twitter进行情感分析，具有较好的效果。 型，该模型能够利用短文本数据集和时间信息监测 随着社交网络和移动社交APP的发展，社交网 突发事件，这种分布式的设计大大提高了监测效率。 络中其他媒体如图片、视频、音乐等数据急聚增多， Zhang等[s)提出了突发事件监测和趋势预测的方 对社交网络中图像、视频的情感分析等相关技术的 法。该方法利用词频和用户的社交关系等信息进行 研究也成为一个重要方向。深度学习的兴起对跨媒 事件监测，并提出了一个扩散模型来预测事件的流 体数据分析具有重要意义，You等[)利用微调的深 行趋势。该方法解决了大多数现有的方法只专注于 度卷积神经网络构架训练图片情感分析模型，相比 事件监测，但忽略了预测未来趋势的问题。Zou 传统的方法具有较好的效果：Chao等[4s]利用长短 等[]基于图的模型提出了一个监测社会事件的框 期记忆神经循环网络构架和时间池技术对音频和视 架LTT,该框架可以捕捉内容、时间、地点和社交信 频情感分析：Poia等49]针对跨媒体的情感分析进 息，具有良好的适用性。Pohl等[s]提出了社交网络 行研究并取得了一定的进展，其主要利用了各自领 事件自动监测方法，可以高效地实现对Flicker和 域的情感分析方法，然后通过特征级和决策级的特 YouTube的社交事件和子事件进行监测。上述方法 征融合来训练情感分析模型，其结果较之单一模态 在事件监测方面都取得了良好的效果，但是上述方 的情感分析方法精度更高。 法侧重于社交网络的文本内容的事件监测，而忽略 目前的情感分析方法大多是通过简单的使用一 了社交相关内容。Gule等[s]提出了异常事件监测 些情感词等基于文本的方法，而忽略了用户用来增 方法，该方法主要利用动态链接的创作频率。用户 强情感的图像及视频等内容，这样很难符合真实社 动态地在微博上插入需要监测重要事件，并估计对 交网络中用户复杂的情感表示，将为社交网络情感 人群的影响程度。Zhang等s提出了基于突发词权 分析带来新的挑战。 重的时间窗口内提取突发词方法，然后结合层次聚

１．４ 情感分析 情感计算是 １９９７ 年由 ＭＩＴ 的 Ｐｉｃａｒｄ 教授提出 的，情感计算是与情感相关，来源于情感或能够对情 感施加影响的计算，而随着社交网络的发展，基于社 交网络的情感分析再次成为学术界的研究热点，通 过情感分析可以对社交网络搜索提供更加精确的理 解，提高搜索准确度。 目前学术界基于情感分析的研究方法主要 集中在社交网络文本的情感词方法。 该方法主 要是通过人工整理出程度副词表、否定词表和社 交网络中默认表情符号的褒贬分类，然后在情感 词语计算的基础上，考虑上下文中否定词和程度 词对修饰情感词语的情感倾向和情感强度的影 响，同时也设定规则计算表情符号对一条微博的 情感倾向判断的作用［ ４２］ 。 Ｍａｒｑｕｅｚ 等［ ４３］ 使用相 关的情感词典从不同的情绪特征维度出发来提 升微博情感分类的精度；Ｈｕ 等［ ４４］ 通过加入社会 学的方法来提高情感分析的准确性，该方法结合 了情绪感染理论到监督学习的过程，并利用稀疏 学习实现了微博文本中的去噪；Ｄｅｂａｓｈｉｓ 等［ ４５］ 通 过用户社交网络中的对话，确定用户的情绪，通 过一个新的词汇字典和情感的罗素模型识别情 感，并利用隐含狄利克雷分配（ ＬＤＡ） 生成模型建 立主题和情感分布； Ｓｉｘｔｏ 等［ ４６］ 利用 ＢＭ２５ 排序 函数与支持向量机相结合的监督学习方法来对 Ｔｗｉｔｔｅｒ 进行情感分析，具有较好的效果。 随着社交网络和移动社交 ＡＰＰ 的发展，社交网 络中其他媒体如图片、视频、音乐等数据急聚增多， 对社交网络中图像、视频的情感分析等相关技术的 研究也成为一个重要方向。 深度学习的兴起对跨媒 体数据分析具有重要意义，Ｙｏｕ 等［４７］ 利用微调的深 度卷积神经网络构架训练图片情感分析模型，相比 传统的方法具有较好的效果；Ｃｈａｏ 等［４８］ 利用长短 期记忆神经循环网络构架和时间池技术对音频和视 频情感分析；Ｐｏｒｉａ 等［４９］ 针对跨媒体的情感分析进 行研究并取得了一定的进展，其主要利用了各自领 域的情感分析方法，然后通过特征级和决策级的特 征融合来训练情感分析模型，其结果较之单一模态 的情感分析方法精度更高。 目前的情感分析方法大多是通过简单的使用一 些情感词等基于文本的方法，而忽略了用户用来增 强情感的图像及视频等内容，这样很难符合真实社 交网络中用户复杂的情感表示，将为社交网络情感 分析带来新的挑战。 １．５ 社交网络事件监测 社交网络事件监测的目标是对社交内容中的事 件和热点话题的自动识别和已知话题的持续跟踪。 事件监测的基础方法为计算文档之间的相似性。 具 体方法是预先设置关键词或者突发词，然后计算词 与词之间相似度来监测事件，文档之间相似性常用 度量方法为夹角余弦，如式（１）所示： ｓｉｍ Ｄ１ ，Ｄ２ ( ) ＝ ｃｏｓ θ ＝ ∑ ｎ ｉ ＝ １ Ａｉ × Ｂｉ ( ) ∑ ｎ ｉ ＝ １ Ａ ２ ｉ × ∑ ｎ ｉ ＝ １ Ｂ ２ ｉ （１） 式中：ｓｉｍ（Ｄ１ ，Ｄ２ ）表示相似度函数，Ｄ１ 和 Ｄ２ 表示文 档内容，而Ａｉ和Ｂｉ表示两个 ｎ 维向量。 该方法仅适用于静态文本语料库分析的传统话 题监测技术，而社交网络中不但存在大量的静态文 本，同时也存在跨媒体内容，这就涉及语义分析相关 内容，因此这种简单计算文本相似性的方法无法直 接适用于在线社交网络产生的跨媒体的海量数据 中。 Ｋａｌｅｅｌ 等［５０］ 利用词频逆序文档频率和局部敏 感哈希的方法实现热点事件发现，并通过聚类的方 法提高事件监测的效率。 Ａｎｄｒｅａ 等［５１］ 提出了一个 基于微博交通事件实时监测系统，根据微博标签和 预设的搜索条件，利用支持向量机算法对事件进行 分类，最后实现事件监测。 Ｌｉ 等［５２］ 提出了基于 Ｓｐａｒｋ 的分布式微博突发事件监测增量时间主题模 型，该模型能够利用短文本数据集和时间信息监测 突发事件，这种分布式的设计大大提高了监测效率。 Ｚｈａｎｇ 等［５３］提出了突发事件监测和趋势预测的方 法。 该方法利用词频和用户的社交关系等信息进行 事件监测，并提出了一个扩散模型来预测事件的流 行趋势。 该方法解决了大多数现有的方法只专注于 事件监测，但忽略了预测未来趋势的问题。 Ｚｈｏｕ 等［５４］基于图的模型提出了一个监测社会事件的框 架 ＬＴＴ，该框架可以捕捉内容、时间、地点和社交信 息，具有良好的适用性。 Ｐｏｈｌ 等［５５］提出了社交网络 事件自动监测方法，可以高效地实现对 Ｆｌｉｃｋｅｒ 和 ＹｏｕＴｕｂｅ 的社交事件和子事件进行监测。 上述方法 在事件监测方面都取得了良好的效果，但是上述方 法侧重于社交网络的文本内容的事件监测，而忽略 了社交相关内容。 Ｇｕｉｌｌｅ 等［５６］提出了异常事件监测 方法，该方法主要利用动态链接的创作频率。 用户 动态地在微博上插入需要监测重要事件，并估计对 人群的影响程度。 Ｚｈａｎｇ 等［５７］提出了基于突发词权 重的时间窗口内提取突发词方法，然后结合层次聚 第 ６ 期 石磊，等：在线社交网络挖掘与搜索技术研究 ·７８１·

.782 智能系统学报 第11卷 类算法，利用突发词监测突发性事件。Yang等[s劉 的搜索索引，社交网络有字数限制（一般要求不能 利用训练好的社交视频利用基于字典学习的方式实 超过140字)，所以社交网络的内容相对比较稀疏， 现社交网络事件监测。Abdelhag等s9]基于Twitter 噪声数据较多，传统的方法已经不适用于社交网络。 提出了一种局部实时社交事件检测方法，首先提取 目前针对索引的设计主要集中在对倒排索引的改 时空关键词，根据时空相似性对关键词聚类，最后对 进[6的]，使之更加适应社交网络。 关键词进行评分来监测事件，取得了良好的效果。 Chen等[6]针对社交网络搜索以键值存储形式 随着事件监测研究的不断进步，基于多模态的 的不可扩展性，设计了摘要引的算法，通过该算法可 社交网络事件监测方法成为研究热点。Manos 以避免对邻居结点的穷举查询，提高索引效率，同时 等[]提出了一种基于时间窗的多模态方法对海量 提出了piggyback策略来消除冗余信息，提高搜索的 图片进行事件监测。Gao等6)利用超图分割的思 速度。Chen等[]提出了社交网络索引的自适应方 想并引入文本内容、视觉内容、位置信息、时间信息 案，在排序算法基础上设计了基于时间戳的用户和 等实现社交多媒体的事件监测，然后利用新浪微博 内容联合关系的排序方法，该方法首先对社交网络 数据集进行实验，取得了不错的效果。该方法的优 内容和主题进行分类，然后对其动态排序。该方法 点是引入了多模态信息和时空特性，为基于时空特 很好地解决了传统索引方案实时性不强的问题。L 性的事件监测提供了解决方案，但是该方法并没给 等[6]提出了一种3-D倒排索引技术，引入了社交属 出预测热点事件的方法，针对这个问题Unankard 性和时间属性用于实现支持词频、社交距离和时间 等[6]提出了基于位置感知的社交网络事件监测方 新鲜度的3个维度的搜索技术，并应用了Dijkstra算 法，把Twitter事件和位置信息进行统一表示，将用 法计算社交网络距离来优化算法的冷启动问题。 户位置和事件位置的相关性的强度进行标识来监测 Zhao等[69提出了自适应融合策略(ls-ams)来 新兴事件和预测热点事件。 处理用户对社交网络实时查询的请求，该策略在倒 排索引基础上增加指标包来管理倒排索引，通过这 2社交网络搜索关键技术研究 种机制可以减少合并查询的开销，提高查询性能。 目前搜索技术的研究热主要集中在传统的搜索 Huang等[o]提出了一个实时的分布式索引系统，该 引擎技术和社交网络搜索技术。传统的搜索引擎一 系统用时间分割索引，在每一个分区中映射一个哈 般采用经典的倒排索引，然后对索引结果根据相关 希表，通过这种机制可减少特定范围内查询的时间： 算法进行重排序，典型的算法有PageRank、HTS Yuan等提出了基于部分索引机制的分类和索引 等[6]。随着社交网络的发展，搜索引擎提供商也开 方法以提高检索效率，分类算法将查询分为候选查 发了基于社交网络的搜索功能，而且社交网络服务 询和流行查询，并采取单独的存储策略，实验结果表 公司也提供了基于本平台的社交搜索引擎。国内的 明该分类和索引算法可以减少实时搜索时间，提高 搜狗公司提供了基于微信、知乎等在线社交网络的 搜索效率：Rissola等提出了索引项目失效策略， 搜索服务，以提供更加适应于社交网络的搜索技术。 该策略引入了索引干的概念，索引干负责跟踪基本 特别地，在社交平台搜索方面，FaceBook开发了备 词汇的演变和删除无效的索引条目，通过该方法大 受欢迎的知识图谱搜索技术[6刷]，通过该技术可以对 大地提高了索引效率。 用户发布的图片、内容、地点等进行社会化的搜索和 2.2排序研究 推荐，相比传统的搜索引擎，Twitter提供的搜索完全 目前对排序算法的研究主要是基于传统排序算 是基于社交网络的搜索，提供了基于内容的搜索、社 法的改进和引入情感计算、社会影响力等因素，提高 交关系搜索、事件的情感搜索、用户等搜索功能、热 搜索排序算法的精度和准确性。 点事件搜索等。国内的新浪微博也提供基于社交网 Xie等[]提出了社交网络的上下文嵌套搜索模 络搜索功能，与Twitter相比新浪微博的搜索比较简 型，通过这个模型可以有效地捕获和理解用户目的， 单，仅提供了相关话题推荐、热点事件推荐、用户搜 同时提出了上下文感知的个性化搜索方法，通过该 索、内容搜索等功能。 方法可以动态调整用户信息文件中的标签信息，进 2.1搜索索引研究 而可以根据用户的喜好来搜索上下文的资源，提高 社交网络索引的设计对社交网络搜索结果的准 了搜索的效率和准确性。Liang等提出了一种改 确度和搜索效率有着至关重要的影响，不同于传统 进的混合排序算法TimeRa,该算法把对微博单独排

类算法，利用突发词监测突发性事件。 Ｙａｎｇ 等［５８］ 利用训练好的社交视频利用基于字典学习的方式实 现社交网络事件监测。 Ａｂｄｅｌｈａｑ 等［５９］ 基于 Ｔｗｉｔｔｅｒ 提出了一种局部实时社交事件检测方法，首先提取 时空关键词，根据时空相似性对关键词聚类，最后对 关键词进行评分来监测事件，取得了良好的效果。 随着事件监测研究的不断进步，基于多模态的 社交网 络 事 件 监 测 方 法 成 为 研 究 热 点。 Ｍａｎｏｓ 等［６０］提出了一种基于时间窗的多模态方法对海量 图片进行事件监测。 Ｇａｏ 等［６１］ 利用超图分割的思 想并引入文本内容、视觉内容、位置信息、时间信息 等实现社交多媒体的事件监测，然后利用新浪微博 数据集进行实验，取得了不错的效果。 该方法的优 点是引入了多模态信息和时空特性，为基于时空特 性的事件监测提供了解决方案，但是该方法并没给 出预测热点事件的方法，针对这个问题 Ｕｎａｎｋａｒｄ 等［６２］提出了基于位置感知的社交网络事件监测方 法，把 Ｔｗｉｔｔｅｒ 事件和位置信息进行统一表示，将用 户位置和事件位置的相关性的强度进行标识来监测 新兴事件和预测热点事件。 ２ 社交网络搜索关键技术研究 目前搜索技术的研究热主要集中在传统的搜索 引擎技术和社交网络搜索技术。 传统的搜索引擎一 般采用经典的倒排索引，然后对索引结果根据相关 算法进行重排序， 典型的算法有 ＰａｇｅＲａｎｋ、 ＨＩＴＳ 等［６３］ 。 随着社交网络的发展，搜索引擎提供商也开 发了基于社交网络的搜索功能，而且社交网络服务 公司也提供了基于本平台的社交搜索引擎。 国内的 搜狗公司提供了基于微信、知乎等在线社交网络的 搜索服务，以提供更加适应于社交网络的搜索技术。 特别地，在社交平台搜索方面，ＦａｃｅＢｏｏｋ 开发了备 受欢迎的知识图谱搜索技术［６４］ ，通过该技术可以对 用户发布的图片、内容、地点等进行社会化的搜索和 推荐，相比传统的搜索引擎，Ｔｗｉｔｔｅｒ 提供的搜索完全 是基于社交网络的搜索，提供了基于内容的搜索、社 交关系搜索、事件的情感搜索、用户等搜索功能、热 点事件搜索等。 国内的新浪微博也提供基于社交网 络搜索功能，与 Ｔｗｉｔｔｅｒ 相比新浪微博的搜索比较简 单，仅提供了相关话题推荐、热点事件推荐、用户搜 索、内容搜索等功能。 ２．１ 搜索索引研究 社交网络索引的设计对社交网络搜索结果的准 确度和搜索效率有着至关重要的影响，不同于传统 的搜索索引，社交网络有字数限制（一般要求不能 超过 １４０ 字），所以社交网络的内容相对比较稀疏， 噪声数据较多，传统的方法已经不适用于社交网络。 目前针对索引的设计主要集中在对倒排索引的改 进［６５］ ，使之更加适应社交网络。 Ｃｈｅｎ 等［６６］针对社交网络搜索以键值存储形式 的不可扩展性，设计了摘要引的算法，通过该算法可 以避免对邻居结点的穷举查询，提高索引效率，同时 提出了 ｐｉｇｇｙｂａｃｋ 策略来消除冗余信息，提高搜索的 速度。 Ｃｈｅｎ 等［６７］提出了社交网络索引的自适应方 案，在排序算法基础上设计了基于时间戳的用户和 内容联合关系的排序方法，该方法首先对社交网络 内容和主题进行分类，然后对其动态排序。 该方法 很好地解决了传统索引方案实时性不强的问题。 Ｌｉ 等［６８］提出了一种 ３⁃Ｄ 倒排索引技术，引入了社交属 性和时间属性用于实现支持词频、社交距离和时间 新鲜度的 ３ 个维度的搜索技术，并应用了 Ｄｉｊｋｓｔｒａ 算 法计算社交网络距离来优化算法的冷启动问题。 Ｚｈａｏ 等［６９］提出了自适应融合策略（ ｌｓ⁃ａｍｓ） 来 处理用户对社交网络实时查询的请求，该策略在倒 排索引基础上增加指标包来管理倒排索引，通过这 种机制可以减少合并查询的开销，提高查询性能。 Ｈｕａｎｇ 等［７０］ 提出了一个实时的分布式索引系统，该 系统用时间分割索引，在每一个分区中映射一个哈 希表，通过这种机制可减少特定范围内查询的时间； Ｙｕａｎ 等［７１］提出了基于部分索引机制的分类和索引 方法以提高检索效率，分类算法将查询分为候选查 询和流行查询，并采取单独的存储策略，实验结果表 明该分类和索引算法可以减少实时搜索时间，提高 搜索效率；Ｒíｓｓｏｌａ 等［７２］ 提出了索引项目失效策略， 该策略引入了索引干的概念，索引干负责跟踪基本 词汇的演变和删除无效的索引条目，通过该方法大 大地提高了索引效率。 ２．２ 排序研究 目前对排序算法的研究主要是基于传统排序算 法的改进和引入情感计算、社会影响力等因素，提高 搜索排序算法的精度和准确性。 Ｘｉｅ 等［７３］提出了社交网络的上下文嵌套搜索模 型，通过这个模型可以有效地捕获和理解用户目的， 同时提出了上下文感知的个性化搜索方法，通过该 方法可以动态调整用户信息文件中的标签信息，进 而可以根据用户的喜好来搜索上下文的资源，提高 了搜索的效率和准确性。 Ｌｉａｎｇ 等［７４］提出了一种改 进的混合排序算法 ＴｉｍｅＲａ，该算法把对微博单独排 ·７８２· 智 能 系 统 学 报 第 １１ 卷

第6期 石磊，等：在线社交网络挖掘与搜索技术研究 ·783· 序生成的结果进行融合，并根据潜在因素模型推断 常存在歧义性、模糊性、甚至恶意性等问题，特别是 文件的排序等级和分数，将最终的排序结果返回给 一些影响力较大的用户的言论，会对社会造成较大 用户。Wang等)根据与用户回复和转发数进行评 的影响，因此需要综合利用自然语言处理、统计学习 分，回复和转发数高的评分越高。为了降低名人微 和社交网络挖掘等各种技术进行处理，这将给观点 博回复和转发数对评分结果的影响，提出了基于参 挖掘、情感分析、影响力分析等研究带来挑战。 与用户时间窗的异常检测方法，把用户的原始参与 在线社交网络挖掘领域中的各热点话题都面临 引入评分算法，很好地解决了名人评分问题。Lu 着如何研究更有效方法应对在线网络的大规模化、 等[6]运用LDA推断微博的主题分布和用户的兴趣 复杂化等带来的效率和质量问题。特别是针对在线 取向，通过实时Top-k响应，实时微博查询，然后比 社交网络中的海量跨媒体大数据，如何研究高效率、 较用户取向和微博主题分布之间的相似度判断用户 高质量的数据挖掘技术，帮助人们从社交网络中得 的兴趣。该方法是基于社交网络搜索算法基础上的 到更有价值的信息，实现满足用户个性化需求的个 一个用户个性化的搜索算法，可以应用在社交网络 性化搜索，仍然是目前该领域重要的研究方向。 个性化推荐中。卫冰洁等[)]将社交网络文本搜索 在线社交网络搜索技术对特定对象精准搜索的 总结为以下三点，时间感知的文本表示、时间感知的 研究还存在不足，不能从超大规模、超高维度、不完全 文档先验、时间感知的查询扩展，将查询相关文档分 的、有噪声的、模糊的在线社交网络跨媒体大数据中 布的高峰时刻称为该查询的热门时刻，提出了基于 挖掘出与特定对象时空特性、社会属性相关的知识模 查询热门时刻的4个系列语言模型。周霞娟等】 式，因此需要研究高质量、高效率的跨媒体大数据挖 提出了一个用户驱动的可视化微博搜索方法。采用 掘算法以及支持时空特性的跨媒体时空数据挖掘体 特征词及其权重来对用户兴趣进行建模，在此基础 系，根据时空特性、社交特性、用户行为特征，并结合 上建立用户特征词直接的关系。搜索微博信息时， 领域本体知识库推理演算和语义查询扩展，构建支持 首先定位与检索词相关的微博用户，在相关微博用 时空特性的在线社交网络对象的精准搜索模型。 户的微博中筛选与搜索相关的微博。Severyn等[] 随着社交图谱搜索技术的发展，这种与人相关 把深度学习方法引入社交网络搜索，建立了基于卷 的时间、地点、多媒体、社交内容等进行搜索的技术 积神经网络的短文本对的重排序方法，取得了较好 必将成为社交网络搜索的发展趋势，与此同时，结合 的效果。Chy等[o]提出融合时间特征、用户特征、 深度语义学习、情感立场、事件传播、群体社团关系， 文本特征的搜索结果重排序方法，并结合上述特征 实现对用户的社交行为分析、搜索意图理解的智能 加权的排名模型来估计最后的得分。 化、智慧化搜索是一个亟待解决的问题。 上述搜索和排序算法大部分都是基于传统的搜 由于用户移动端的普及，各个社交网络都提供了 索和排序机制上的改进和扩展，尽管提高了搜索的 手机签到的功能，通过这个功能可以获取用户的时间 效率，但是没有从用户角度去感知用户的搜索目的 信息、空间信息，如何结合数据挖掘技术实现基于时 和实现智能化的社交搜索。同时搜索内容都是基于 空特性的社交网络搜索也是一个需要解决的问题。 社交网铬文本或事件的搜索，而缺少对社交网络中 参考文献： 跨媒体内容的索引和搜索机制。 [1]李立耀，孙鲁敬，杨家海.社交网络研究综述[J].计算 3结论和展望 机科学，2015,42(11)：8-21,42. 本文总结了社交网络结构建模、社交网络信息 LI Liyao,SUN Lujing,YANG Jiahai.Research on online 传播、社区发现、情感分析、事件监测及社交网络索 social network[J].Computer science,2015,42(11):8- 21,42. 引、搜索等技术的研究现状和最近进展。尽管取得 [2]王大玲，冯时，张一飞，等.社会媒体多模态、多层次资 了较多成果，但以下方面的研究仍然亟待解决。 源推荐技术研究[J].智能系统学报，2014,9(3)：265 现有社交网络挖掘工作一般都是基于宏观层 275 面，很少从微观或者更细粒度层面开展研究，比如情 WANG Daling,FENG Shi,ZHANG Yifei,et al.Study on 感分析大都只是从积极、消极和中立等情感词分析 the recommendations of multi-modal and multi-level re- 进行研究，而影响力分析也大都只是从全局影响力 sources in social media[J].CAAl transactions on intelligent 开展研究，同时在线社交网络用户发表的评论信息 systems,2014,9(3):265-275

序生成的结果进行融合，并根据潜在因素模型推断 文件的排序等级和分数，将最终的排序结果返回给 用户。 Ｗａｎｇ 等［７５］根据与用户回复和转发数进行评 分，回复和转发数高的评分越高。 为了降低名人微 博回复和转发数对评分结果的影响，提出了基于参 与用户时间窗的异常检测方法，把用户的原始参与 引入评分算法，很好地解决了名人评分问题。 Ｌｉｕ 等［７６］运用 ＬＤＡ 推断微博的主题分布和用户的兴趣 取向，通过实时 Ｔｏｐ⁃ｋ 响应，实时微博查询，然后比 较用户取向和微博主题分布之间的相似度判断用户 的兴趣。 该方法是基于社交网络搜索算法基础上的 一个用户个性化的搜索算法，可以应用在社交网络 个性化推荐中。 卫冰洁等［７７］ 将社交网络文本搜索 总结为以下三点，时间感知的文本表示、时间感知的 文档先验、时间感知的查询扩展，将查询相关文档分 布的高峰时刻称为该查询的热门时刻，提出了基于 查询热门时刻的 ４ 个系列语言模型。 周霞娟等［７８］ 提出了一个用户驱动的可视化微博搜索方法。 采用 特征词及其权重来对用户兴趣进行建模，在此基础 上建立用户特征词直接的关系。 搜索微博信息时， 首先定位与检索词相关的微博用户，在相关微博用 户的微博中筛选与搜索相关的微博。 Ｓｅｖｅｒｙｎ 等［７９］ 把深度学习方法引入社交网络搜索，建立了基于卷 积神经网络的短文本对的重排序方法，取得了较好 的效果。 Ｃｈｙ 等［８０］ 提出融合时间特征、用户特征、 文本特征的搜索结果重排序方法，并结合上述特征 加权的排名模型来估计最后的得分。 上述搜索和排序算法大部分都是基于传统的搜 索和排序机制上的改进和扩展，尽管提高了搜索的 效率，但是没有从用户角度去感知用户的搜索目的 和实现智能化的社交搜索。 同时搜索内容都是基于 社交网络文本或事件的搜索，而缺少对社交网络中 跨媒体内容的索引和搜索机制。 ３ 结论和展望 本文总结了社交网络结构建模、社交网络信息 传播、社区发现、情感分析、事件监测及社交网络索 引、搜索等技术的研究现状和最近进展。 尽管取得 了较多成果，但以下方面的研究仍然亟待解决。 现有社交网络挖掘工作一般都是基于宏观层 面，很少从微观或者更细粒度层面开展研究，比如情 感分析大都只是从积极、消极和中立等情感词分析 进行研究，而影响力分析也大都只是从全局影响力 开展研究，同时在线社交网络用户发表的评论信息 常存在歧义性、模糊性、甚至恶意性等问题，特别是 一些影响力较大的用户的言论，会对社会造成较大 的影响，因此需要综合利用自然语言处理、统计学习 和社交网络挖掘等各种技术进行处理，这将给观点 挖掘、情感分析、影响力分析等研究带来挑战。 在线社交网络挖掘领域中的各热点话题都面临 着如何研究更有效方法应对在线网络的大规模化、 复杂化等带来的效率和质量问题。 特别是针对在线 社交网络中的海量跨媒体大数据，如何研究高效率、 高质量的数据挖掘技术，帮助人们从社交网络中得 到更有价值的信息，实现满足用户个性化需求的个 性化搜索，仍然是目前该领域重要的研究方向。 在线社交网络搜索技术对特定对象精准搜索的 研究还存在不足，不能从超大规模、超高维度、不完全 的、有噪声的、模糊的在线社交网络跨媒体大数据中 挖掘出与特定对象时空特性、社会属性相关的知识模 式，因此需要研究高质量、高效率的跨媒体大数据挖 掘算法以及支持时空特性的跨媒体时空数据挖掘体 系，根据时空特性、社交特性、用户行为特征，并结合 领域本体知识库推理演算和语义查询扩展，构建支持 时空特性的在线社交网络对象的精准搜索模型。 随着社交图谱搜索技术的发展，这种与人相关 的时间、地点、多媒体、社交内容等进行搜索的技术 必将成为社交网络搜索的发展趋势，与此同时，结合 深度语义学习、情感立场、事件传播、群体社团关系， 实现对用户的社交行为分析、搜索意图理解的智能 化、智慧化搜索是一个亟待解决的问题。 由于用户移动端的普及，各个社交网络都提供了 手机签到的功能，通过这个功能可以获取用户的时间 信息、空间信息，如何结合数据挖掘技术实现基于时 空特性的社交网络搜索也是一个需要解决的问题。 参考文献： ［１］李立耀， 孙鲁敬， 杨家海． 社交网络研究综述［ Ｊ］． 计算 机科学， ２０１５， ４２（１１）： ８－２１， ４２． ＬＩ Ｌｉｙａｏ， ＳＵＮ Ｌｕｊｉｎｇ， ＹＡＮＧ Ｊｉａｈａｉ． Ｒｅｓｅａｒｃｈ ｏｎ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ［Ｊ］． Ｃｏｍｐｕｔｅｒ ｓｃｉｅｎｃｅ， ２０１５， ４２（ １１）： ８－ ２１， ４２． ［２］王大玲， 冯时， 张一飞， 等． 社会媒体多模态、多层次资 源推荐技术研究［Ｊ］． 智能系统学报， ２０１４， ９（３）： ２６５－ ２７５． ＷＡＮＧ Ｄａｌｉｎｇ， ＦＥＮＧ Ｓｈｉ， ＺＨＡＮＧ Ｙｉｆｅｉ， ｅｔ ａｌ． Ｓｔｕｄｙ ｏｎ ｔｈｅ ｒｅｃｏｍｍｅｎｄａｔｉｏｎｓ ｏｆ ｍｕｌｔｉ⁃ｍｏｄａｌ ａｎｄ ｍｕｌｔｉ⁃ｌｅｖｅｌ ｒｅ⁃ ｓｏｕｒｃｅｓ ｉｎ ｓｏｃｉａｌ ｍｅｄｉａ［Ｊ］． ＣＡＡＩ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１４， ９（３）： ２６５－２７５． 第 ６ 期 石磊，等：在线社交网络挖掘与搜索技术研究 ·７８３·

·784. 智能系统学报 第11卷 [3]AGRAWAL R,GOLSHAN B,PAPALEXAKIS E.Whither els for social behavior modeling in face-to face interaction social networks for web search[C]//Proceedings of the 21th [J].Pattern recognition letters,2016,74:82-89. ACM SIGKDD International Conference on Knowledge Dis- [15]RODRIGUEZ M G,BALDUZZI D,SCHOLKOPF B.Un- covery and Data Mining.New York,NY,USA:ACM, covering the temporal dynamics of diffusion Networks 2015:1661-1670. [C]//Proceedings of the 28th International Conference on [4]贺超波，汤庸，麦辉强，等.在线社交网络挖掘综述[J] Machine Learning.Bellevue,Washington,USA:ICML, 武汉大学学报：理学版，2014,60(3)：189-200. 2011:561-568. HE Chaobo,TANG Yong,MAI Huigiang,et al.A survey [16]JONES S,WEUTHEN T,HARMER Q J,et al.Modeling on online social network Mining[J].Journal of Wuhan uni- information propagation with survival theory[J].Philosoph- versity:natural science edition,2014,60(3):189-200. ical magazine letters,2013,95(2):85-91. [5]SHENG QZ,VASILAKOS A V.YU Qi,et al.Guest edito- [17]RODRIGUEZ M G,LESKOVEC J,BALDUZZI D.et al. rial:big data analytics and the web[J].IEEE transactions Uncovering the structure and temporal dynamics of informa- on big data,2015,1(4):123-124. tion propagation[J].Network science,2014,2(1):26- [6]唐杰，陈文光.面向大社交数据的深度分析与挖掘[J] 65. 科学通报，2015,60(5/6)：509-519. [18]SADIKOV E,MEDINA M,LESKOVEC J,et al.Correc- TANG Jie,CHEN Wenguang.MAI Huiqiang Deep analytics ting for missing data in information cascades [C]//Pro- and mining for big social data[J].Chinese science bulletin, ceedings of the Fourth ACM International Conference on 2015,60(5/6):509-519. Web Search and Data Mining.New York,NY,USA: [7]许进，杨扬，蒋飞，等.社交网络结构特性分析及建模 ACM.2011:55-64. 研究进展[J].中国科学院院刊，2015,30(2)：216- [19]ROMERO D M,GALUBA W,ASUR S,et al.Influence 228. and passivity in social media[M]//Gunopulos D,Hof- XU Jin,YANG Yang,JIANG Fei,et al.Social network mann T,Hofmann D,et al.Machine Learning and Knowl- structure feature analysis and its modelling[J].Bulletin of edge Discovery in Databases.Berlin Heidelberg:Springer, Chinese academy of sciences,2015,30(2):216-228. 2010:18-33. []AGGARWAL CC.Social network analysis[J].Encyclope- [20]KIMURA M,SAITO K,OHARA K,et al.Speeding-up dia of social network analysis mining,2015,22(1):109 node influence computation for huge social networks[J]. -127. International journal of data science and analytics,2016,1 [9]HSU T Y,KSHEMKALYANI A D.Modeling social network (1):3-16. topology with variable social vector clocks[C]//Proceedings [21]GUILLE A,HACID H,FAVRE C.Predicting the temporal of 2015 IEEE/ACM International Conference on Advances dynamics of information diffusion in social networks[] in Social Networks Analysis and Mining.Paris,France: Computer science,2013,144(1):1145-1152. IEEE.2015:584-589. [22]XU Xin,CHEN Xin,EUN D Y.Modeling time-sensitive [10]DONG Yuxiao.User modeling in large social networks information diffusion in online social networks [C]//Pro- [C]//Proceedings of the Ninth ACM International Con- ceedings of 2015 IEEE Conference on Computer Communi- ference on Web Search and Data Mining.New York,NY, cations Workshops (INFOCOM WKSHPS).Hong Kong, USA:ACM,2016:713. China:IEEE,2015:408-413. [11]SLAUGHTER A J,KOEHLY L M.Multilevel models for [23]WEN Sheng,HAGHIGHI M S,CHEN Chao,et al.A social networks:hierarchical bayesian approaches to expo- sword with two edges:propagation studies on both positive nential random graph modeling [J].Social networks, and negative information in online social networks[J]. 2016,44:334-345. IEEE transactions on computers,2015,64(3):640-653. [12]AMATO F,MOSCATO V,PICARIELLO A,et al.Multi- [24]TUAROB S,TUCKER C S,SALATHE M,et al.Modeling media social network modeling:a proposal[C]//Proceed- individual-level infection dynamics using social network in- ings of 2016 IEEE Tenth International Conference on Se- formation[C]//Proceedings of the 24th ACM International mantic Computing.Laguna Hills,CA,USA:IEEE,2016: on Conference on Information and Knowledge Management 448-453. New York,NY,USA:ACM,2015:1501-1510. [13]BAJAJ A,SEN S.Simulating the effect of social network [25]TAMBUSCIO M,RUFFO G,FLAMMINI A,et al.Fact- structure on workflow efficiency performance[J].Social checking effect on viral hoaxes:a model of misinformation networking,2014,3(1):32-40. spread in social networks[C]//Proceedings of the 24th In- [14]MIHOUB A,BAILLY G,WOLF C,et al.Graphical mod- ternational Conference on World Wide Web.New York

［３］ＡＧＲＡＷＡＬ Ｒ， ＧＯＬＳＨＡＮ Ｂ， ＰＡＰＡＬＥＸＡＫＩＳ Ｅ． Ｗｈｉｔｈｅｒ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｗｅｂ ｓｅａｒｃｈ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２１ｔｈ ＡＣＭ ＳＩＧＫＤＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓ⁃ ｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１５： １６６１－１６７０． ［４］贺超波， 汤庸， 麦辉强， 等． 在线社交网络挖掘综述［Ｊ］． 武汉大学学报： 理学版， ２０１４， ６０（３）： １８９－２００． ＨＥ Ｃｈａｏｂｏ， ＴＡＮＧ Ｙｏｎｇ， ＭＡＩ Ｈｕｉｑｉａｎｇ， ｅｔ ａｌ． Ａ ｓｕｒｖｅｙ ｏｎ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ Ｍｉｎｉｎｇ［Ｊ］． Ｊｏｕｒｎａｌ ｏｆ Ｗｕｈａｎ ｕｎｉ⁃ ｖｅｒｓｉｔｙ： ｎａｔｕｒａｌ ｓｃｉｅｎｃｅ ｅｄｉｔｉｏｎ， ２０１４， ６０（３）： １８９－２００． ［５］ＳＨＥＮＧ Ｑ Ｚ， ＶＡＳＩＬＡＫＯＳ Ａ Ｖ， ＹＵ Ｑｉ， ｅｔ ａｌ． Ｇｕｅｓｔ ｅｄｉｔｏ⁃ ｒｉａｌ： ｂｉｇ ｄａｔａ ａｎａｌｙｔｉｃｓ ａｎｄ ｔｈｅ ｗｅｂ［ Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｂｉｇ ｄａｔａ， ２０１５， １（４）： １２３－１２４． ［６］唐杰， 陈文光． 面向大社交数据的深度分析与挖掘［ Ｊ］． 科学通报， ２０１５， ６０（５ ／ ６）： ５０９－５１９． ＴＡＮＧ Ｊｉｅ， ＣＨＥＮ Ｗｅｎｇｕａｎｇ． ＭＡＩ Ｈｕｉｑｉａｎｇ Ｄｅｅｐ ａｎａｌｙｔｉｃｓ ａｎｄ ｍｉｎｉｎｇ ｆｏｒ ｂｉｇ ｓｏｃｉａｌ ｄａｔａ［Ｊ］． Ｃｈｉｎｅｓｅ ｓｃｉｅｎｃｅ ｂｕｌｌｅｔｉｎ， ２０１５， ６０（５ ／ ６）： ５０９－５１９． ［７］许进， 杨扬， 蒋飞， 等． 社交网络结构特性分析及建模 研究进展［ Ｊ］． 中国科学院院刊， ２０１５， ３０ （ ２）： ２１６ － ２２８． ＸＵ Ｊｉｎ， ＹＡＮＧ Ｙａｎｇ， ＪＩＡＮＧ Ｆｅｉ， ｅｔ ａｌ． Ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅ ｆｅａｔｕｒｅ ａｎａｌｙｓｉｓ ａｎｄ ｉｔｓ ｍｏｄｅｌｌｉｎｇ［ Ｊ］． Ｂｕｌｌｅｔｉｎ ｏｆ Ｃｈｉｎｅｓｅ ａｃａｄｅｍｙ ｏｆ ｓｃｉｅｎｃｅｓ， ２０１５， ３０（２）： ２１６－２２８． ［８］ＡＧＧＡＲＷＡＬ Ｃ Ｃ． Ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ［ Ｊ］． Ｅｎｃｙｃｌｏｐｅ⁃ ｄｉａ ｏｆ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ａｎａｌｙｓｉｓ ＆ ｍｉｎｉｎｇ， ２０１５， ２２（１）： １０９ －１２７． ［９］ＨＳＵ Ｔ Ｙ， ＫＳＨＥＭＫＡＬＹＡＮＩ Ａ Ｄ． Ｍｏｄｅｌｉｎｇ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｔｏｐｏｌｏｇｙ ｗｉｔｈ ｖａｒｉａｂｌｅ ｓｏｃｉａｌ ｖｅｃｔｏｒ ｃｌｏｃｋｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ２０１５ ＩＥＥＥ／ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｓ Ａｎａｌｙｓｉｓ ａｎｄ Ｍｉｎｉｎｇ． Ｐａｒｉｓ， Ｆｒａｎｃｅ： ＩＥＥＥ， ２０１５： ５８４－５８９． ［１０ ］ ＤＯＮＧ Ｙｕｘｉａｏ． Ｕｓｅｒ ｍｏｄｅｌｉｎｇ ｉｎ ｌａｒｇｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎｉｎｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ⁃ ｆｅｒｅｎｃｅ ｏｎ Ｗｅｂ Ｓｅａｒｃｈ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１６： ７１３． ［１１］ ＳＬＡＵＧＨＴＥＲ Ａ Ｊ， ＫＯＥＨＬＹ Ｌ Ｍ． Ｍｕｌｔｉｌｅｖｅｌ ｍｏｄｅｌｓ ｆｏｒ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ： ｈｉｅｒａｒｃｈｉｃａｌ ｂａｙｅｓｉａｎ ａｐｐｒｏａｃｈｅｓ ｔｏ ｅｘｐｏ⁃ ｎｅｎｔｉａｌ ｒａｎｄｏｍ ｇｒａｐｈ ｍｏｄｅｌｉｎｇ ［ Ｊ ］． Ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ， ２０１６， ４４： ３３４－３４５． ［１２］ＡＭＡＴＯ Ｆ， ＭＯＳＣＡＴＯ Ｖ， ＰＩＣＡＲＩＥＬＬＯ Ａ， ｅｔ ａｌ． Ｍｕｌｔｉ⁃ ｍｅｄｉａ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌｉｎｇ： ａ ｐｒｏｐｏｓａｌ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄ⁃ ｉｎｇｓ ｏｆ ２０１６ ＩＥＥＥ Ｔｅｎｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｅ⁃ ｍａｎｔｉｃ Ｃｏｍｐｕｔｉｎｇ． Ｌａｇｕｎａ Ｈｉｌｌｓ， ＣＡ， ＵＳＡ： ＩＥＥＥ， ２０１６： ４４８－４５３． ［１３］ＢＡＪＡＪ Ａ， ＳＥＮ Ｓ． Ｓｉｍｕｌａｔｉｎｇ ｔｈｅ ｅｆｆｅｃｔ ｏｆ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｓｔｒｕｃｔｕｒｅ ｏｎ ｗｏｒｋｆｌｏｗ ｅｆｆｉｃｉｅｎｃｙ ｐｅｒｆｏｒｍａｎｃｅ ［ Ｊ］． Ｓｏｃｉａｌ ｎｅｔｗｏｒｋｉｎｇ， ２０１４， ３（１）： ３２－４０． ［１４］ＭＩＨＯＵＢ Ａ， ＢＡＩＬＬＹ Ｇ， ＷＯＬＦ Ｃ， ｅｔ ａｌ． Ｇｒａｐｈｉｃａｌ ｍｏｄ⁃ ｅｌｓ ｆｏｒ ｓｏｃｉａｌ ｂｅｈａｖｉｏｒ ｍｏｄｅｌｉｎｇ ｉｎ ｆａｃｅ⁃ｔｏ ｆａｃｅ ｉｎｔｅｒａｃｔｉｏｎ ［Ｊ］． Ｐａｔｔｅｒｎ ｒｅｃｏｇｎｉｔｉｏｎ ｌｅｔｔｅｒｓ， ２０１６， ７４： ８２－８９． ［１５］ＲＯＤＲＩＧＵＥＺ Ｍ Ｇ， ＢＡＬＤＵＺＺＩ Ｄ， ＳＣＨÖＬＫＯＰＦ Ｂ． Ｕｎ⁃ ｃｏｖｅｒｉｎｇ ｔｈｅ ｔｅｍｐｏｒａｌ ｄｙｎａｍｉｃｓ ｏｆ ｄｉｆｆｕｓｉｏｎ Ｎｅｔｗｏｒｋｓ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ． Ｂｅｌｌｅｖｕｅ， Ｗａｓｈｉｎｇｔｏｎ， ＵＳＡ： ＩＣＭＬ， ２０１１： ５６１－５６８． ［１６］ＪＯＮＥＳ Ｓ， ＷＥＵＴＨＥＮ Ｔ， ＨＡＲＭＥＲ Ｑ Ｊ， ｅｔ ａｌ． Ｍｏｄｅｌｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ ｐｒｏｐａｇａｔｉｏｎ ｗｉｔｈ ｓｕｒｖｉｖａｌ ｔｈｅｏｒｙ［Ｊ］． Ｐｈｉｌｏｓｏｐｈ⁃ ｉｃａｌ ｍａｇａｚｉｎｅ ｌｅｔｔｅｒｓ， ２０１３， ９５（２）： ８５－９１． ［１７］ＲＯＤＲＩＧＵＥＺ Ｍ Ｇ， ＬＥＳＫＯＶＥＣ Ｊ， ＢＡＬＤＵＺＺＩ Ｄ， ｅｔ ａｌ． Ｕｎｃｏｖｅｒｉｎｇ ｔｈｅ ｓｔｒｕｃｔｕｒｅ ａｎｄ ｔｅｍｐｏｒａｌ ｄｙｎａｍｉｃｓ ｏｆ ｉｎｆｏｒｍａ⁃ ｔｉｏｎ ｐｒｏｐａｇａｔｉｏｎ［Ｊ］． Ｎｅｔｗｏｒｋ ｓｃｉｅｎｃｅ， ２０１４， ２（１）： ２６－ ６５． ［１８］ＳＡＤＩＫＯＶ Ｅ， ＭＥＤＩＮＡ Ｍ， ＬＥＳＫＯＶＥＣ Ｊ， ｅｔ ａｌ． Ｃｏｒｒｅｃ⁃ ｔｉｎｇ ｆｏｒ ｍｉｓｓｉｎｇ ｄａｔａ ｉｎ ｉｎｆｏｒｍａｔｉｏｎ ｃａｓｃａｄｅｓ ［ Ｃ］ ／ ／ Ｐｒｏ⁃ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｆｏｕｒｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｅｂ Ｓｅａｒｃｈ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１１： ５５－６４． ［１９］ＲＯＭＥＲＯ Ｄ Ｍ， ＧＡＬＵＢＡ Ｗ， ＡＳＵＲ Ｓ， ｅｔ ａｌ． Ｉｎｆｌｕｅｎｃｅ ａｎｄ ｐａｓｓｉｖｉｔｙ ｉｎ ｓｏｃｉａｌ ｍｅｄｉａ ［ Ｍ］ ／ ／ Ｇｕｎｏｐｕｌｏｓ Ｄ， Ｈｏｆ⁃ ｍａｎｎ Ｔ， Ｈｏｆｍａｎｎ Ｄ， ｅｔ ａｌ． Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ ａｎｄ Ｋｎｏｗｌ⁃ ｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ｉｎ Ｄａｔａｂａｓｅｓ． Ｂｅｒｌｉｎ Ｈｅｉｄｅｌｂｅｒｇ： Ｓｐｒｉｎｇｅｒ， ２０１０： １８－３３． ［２０］ＫＩＭＵＲＡ Ｍ， ＳＡＩＴＯ Ｋ， ＯＨＡＲＡ Ｋ， ｅｔ ａｌ． Ｓｐｅｅｄｉｎｇ⁃ｕｐ ｎｏｄｅ ｉｎｆｌｕｅｎｃｅ ｃｏｍｐｕｔａｔｉｏｎ ｆｏｒ ｈｕｇｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ［ Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ ｊｏｕｒｎａｌ ｏｆ ｄａｔａ ｓｃｉｅｎｃｅ ａｎｄ ａｎａｌｙｔｉｃｓ， ２０１６， １ （１）： ３－１６． ［２１］ＧＵＩＬＬＥ Ａ， ＨＡＣＩＤ Ｈ， ＦＡＶＲＥ Ｃ． Ｐｒｅｄｉｃｔｉｎｇ ｔｈｅ ｔｅｍｐｏｒａｌ ｄｙｎａｍｉｃｓ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｆｆｕｓｉｏｎ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ［ Ｊ］． Ｃｏｍｐｕｔｅｒ ｓｃｉｅｎｃｅ， ２０１３， １４４（１）： １１４５－１１５２． ［２２］ＸＵ Ｘｉｎ， ＣＨＥＮ Ｘｉｎ， ＥＵＮ Ｄ Ｙ． Ｍｏｄｅｌｉｎｇ ｔｉｍｅ⁃ｓｅｎｓｉｔｉｖｅ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｆｆｕｓｉｏｎ ｉｎ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ［ Ｃ］ ／ ／ Ｐｒｏ⁃ ｃｅｅｄｉｎｇｓ ｏｆ ２０１５ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｃｏｍｍｕｎｉ⁃ ｃａｔｉｏｎｓ Ｗｏｒｋｓｈｏｐｓ （ ＩＮＦＯＣＯＭ ＷＫＳＨＰＳ）． Ｈｏｎｇ Ｋｏｎｇ， Ｃｈｉｎａ： ＩＥＥＥ， ２０１５： ４０８－４１３． ［２３］ ＷＥＮ Ｓｈｅｎｇ， ＨＡＧＨＩＧＨＩ Ｍ Ｓ， ＣＨＥＮ Ｃｈａｏ， ｅｔ ａｌ． Ａ ｓｗｏｒｄ ｗｉｔｈ ｔｗｏ ｅｄｇｅｓ： ｐｒｏｐａｇａｔｉｏｎ ｓｔｕｄｉｅｓ ｏｎ ｂｏｔｈ ｐｏｓｉｔｉｖｅ ａｎｄ ｎｅｇａｔｉｖｅ ｉｎｆｏｒｍａｔｉｏｎ ｉｎ ｏｎｌｉｎｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ［ Ｊ ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｃｏｍｐｕｔｅｒｓ， ２０１５， ６４（３）： ６４０－６５３． ［２４］ＴＵＡＲＯＢ Ｓ， ＴＵＣＫＥＲ Ｃ Ｓ， ＳＡＬＡＴＨＥ Ｍ， ｅｔ ａｌ． Ｍｏｄｅｌｉｎｇ ｉｎｄｉｖｉｄｕａｌ⁃ｌｅｖｅｌ ｉｎｆｅｃｔｉｏｎ ｄｙｎａｍｉｃｓ ｕｓｉｎｇ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｉｎ⁃ ｆｏｒｍａｔｉｏｎ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２４ｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ ｏｎ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｎｆｏｒｍａｔｉｏｎ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｍａｎａｇｅｍｅｎｔ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１５： １５０１－１５１０． ［２５］ ＴＡＭＢＵＳＣＩＯ Ｍ， ＲＵＦＦＯ Ｇ， ＦＬＡＭＭＩＮＩ Ａ， ｅｔ ａｌ． Ｆａｃｔ⁃ ｃｈｅｃｋｉｎｇ ｅｆｆｅｃｔ ｏｎ ｖｉｒａｌ ｈｏａｘｅｓ： ａ ｍｏｄｅｌ ｏｆ ｍｉｓｉｎｆｏｒｍａｔｉｏｎ ｓｐｒｅａｄ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２４ｔｈ Ｉｎ⁃ ｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ． Ｎｅｗ Ｙｏｒｋ， ·７８４· 智 能 系 统 学 报 第 １１ 卷

第6期 石磊，等：在线社交网络挖掘与搜索技术研究 ·785. NY,USA:ACM,2015:977-982. 73-84 [26]WANG Ru,RHO S,CHEN Bowei,et al.Modeling of [37]CHEN Pinyu,HERO A O.Deep community detection[J]. large-scale social network services based on mechanisms of IEEE transactions on signal processing,2015,63(21): information diffusion:Sina Weibo as a case study[J].Fu- 5706-5719. ture generation computer systems,2016,doi:10.1016/j. [38]ZHANG Yuan,LEVINA E,ZHU Ji.Detecting overlapping future.2016.03.018. communities in networks using spectral methods[].Phys- [27]PAL A.COUNTS S.Identifying topical authorities in mi- ica a:statistical mechanics and its applications,2014, croblogs[C]//Proceedings of the Fourth ACM Internation- 405:1-37. al Conference on Web Search and Data Mining.New York, [39]GAO Chao,MA Zongming,ZHANG A Y,et al.Achieving NY,USA:ACM,2011:45-54. optimal misclassification proportion in stochastic block [28]SUO Qi,SUN Shiwei,HAJLI N,et al.User ratings analy- model[J].Computer science,2015,20(3):88-90. sis in social networks through a hypernetwork method[J]. [40]MAHMOOD A,SMALL M.Subspace based network com- Expert systems with applications,2015,42(21):7317- munity detection using sparse linear coding[J].IEEE 7325. transactions on knowledge and data engineering,2016,28 [29]吴岘辉，张晖，赵旭剑，等.基于用户行为网络的微博 (3):801-812. 意见领袖挖掘算法[J].计算机应用研究，2015,32 [41]AIROLDI E M,BLEI D M,FIENBERG S E,et al.Mixed (9):2678-2683 membership stochastic blockmodels[J].The journal of ma- WU Xianhui,ZHANG Hui,ZHAO Xujian,et al.Mining chine learning research,2008,9:1981-2014. algorithm of microblogging opinion leaders based on user- [42]赵文清，侯小可，沙海虹.语义规则在微博热点话题情 behavior network[]].Application research of computers, 感分析中的应用].智能系统学报，2014,9(1)：121 2015,32(9):2678-2683. -125 [30]SUPPA P,ZIMEO E.A clustered approach for fast compu- ZHAO Wenqing,HOU Xiaoke,SHA Haihong.Application tation of betweenness centrality in social networks C// of semantic rules to sentiment analysis of microblog hot top- Proceedings of 2015 IEEE International Congress on Big ics[J].CAAI Transactions on intelligent systems,2014,9 Data.New York,NY,USA:IEEE,2015:47-54. (1):121-125 [31]YANG Yang,TANG Jie,LEUNG C W K,et al.Rain:so- [43]BRAVO-MARQUEZ F,MENDOZA M.POBLETE B. cial role-aware information diffusion [C]//Proceedings of Combining strengths,emotions and polarities for boosting the Twenty-Ninth AAAI Conference on Artificial Intelli- Twitter sentiment analysis[C]//Proceedings of the Sec- gence.Austin,Texas,USA:AAAI,2015:367-373. ond International Workshop on Issues of Sentiment Dis- [32]SUBBIAN K,AGGARWAL C C,SRIVASTAVA J.Quer- covery and Opinion Mining.New York,NY,USA:ACM, ying and tracking influencers in social streams[C]//Pro- 2013:2. ceedings of the Ninth ACM International Conference on [44]HU Xia,TANG Lei,TANG Jiliang,et al.Exploiting so- Web Search and Data Mining.New York,NY,USA: cial relations for sentiment analysis in microblogging[C]// ACM,2016:493-502. Proceedings of the Sixth ACM International Conference on [33]SU Jianhai,HAVENS T C.Quadratic program-based mod- Web Search and Data Mining.New York,NY,USA: ularity maximization for fuzzy community detection in social ACM,2013:537-546. networks[J].IEEE transactions on fuzzy systems,2015, [45]NASKAR D,MOKADDEM S,REBOLLO M,et al.Senti- 23(5):1356-1371. ment analysis in social networks through topic modeling [34]KLOSTER K,GLEICH D F.Heat kernel based community [C]//Proceedings of the 10th Edition of the Language Re- detection[C]//Proceedings of the 20th ACM SIGKDD In- sources and Evaluation Conference LREC)2016.Porto- ternational Conference on Knowledge Discovery and Data roz:LREC,2016. Mining.New York,NY,USA:ACM,2014:1386-1395. [46]SIXTO J,ALMEIDA A,LOPEZ-DE-IPINA D.Improving [35]ALTUNBEY F,ALATAS B.Overlapping community detec- the sentiment analysis process of spanish tweets with bm25 tion in social networks using parliamentary optimization al- [M]//METAIS E,MEZIANE F,SARAEE M,et al.Nat- gorithm[J].International journal of computer networks and ural Language Processing and Information Systems.Switzer- applications,2015,2(1):12-19. land:Springer,2016:285-291. [36]ARAB M,AFSHARCHI M.Community detection in social [47]YOU Quanzeng,LUO Jiebo,JIN Hailin,et al.Robust im- networks using hybrid merging of sub-communities [J]. age sentiment analysis using progressively trained and do- Journal of network and computer applications,2014,40: main transferred deep networks C]//Proceedings of the

ＮＹ， ＵＳＡ： ＡＣＭ， ２０１５： ９７７－９８２． ［２６］ ＷＡＮＧ Ｒｕ， ＲＨＯ Ｓ， ＣＨＥＮ Ｂｏｗｅｉ， ｅｔ ａｌ． Ｍｏｄｅｌｉｎｇ ｏｆ ｌａｒｇｅ⁃ｓｃａｌｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｓｅｒｖｉｃｅｓ ｂａｓｅｄ ｏｎ ｍｅｃｈａｎｉｓｍｓ ｏｆ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｆｆｕｓｉｏｎ： Ｓｉｎａ Ｗｅｉｂｏ ａｓ ａ ｃａｓｅ ｓｔｕｄｙ［Ｊ］． Ｆｕ⁃ ｔｕｒｅ ｇｅｎｅｒａｔｉｏｎ ｃｏｍｐｕｔｅｒ ｓｙｓｔｅｍｓ， ２０１６， ｄｏｉ： １０．１０１６ ／ ｊ． ｆｕｔｕｒｅ．２０１６．０３．０１８． ［２７］ＰＡＬ Ａ， ＣＯＵＮＴＳ Ｓ． Ｉｄｅｎｔｉｆｙｉｎｇ ｔｏｐｉｃａｌ ａｕｔｈｏｒｉｔｉｅｓ ｉｎ ｍｉ⁃ ｃｒｏｂｌｏｇｓ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｆｏｕｒｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎ⁃ ａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｅｂ Ｓｅａｒｃｈ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１１： ４５－５４． ［２８］ＳＵＯ Ｑｉ， ＳＵＮ Ｓｈｉｗｅｉ， ＨＡＪＬＩ Ｎ， ｅｔ ａｌ． Ｕｓｅｒ ｒａｔｉｎｇｓ ａｎａｌｙ⁃ ｓｉｓ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｔｈｒｏｕｇｈ ａ ｈｙｐｅｒｎｅｔｗｏｒｋ ｍｅｔｈｏｄ［ Ｊ］． Ｅｘｐｅｒｔ ｓｙｓｔｅｍｓ ｗｉｔｈ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１５， ４２（ ２１）： ７３１７－ ７３２５． ［２９］吴岘辉， 张晖， 赵旭剑， 等． 基于用户行为网络的微博 意见领袖挖掘算法［ Ｊ］． 计算机应用研究， ２０１５， ３２ （９）： ２６７８－２６８３． ＷＵ Ｘｉａｎｈｕｉ， ＺＨＡＮＧ Ｈｕｉ， ＺＨＡＯ Ｘｕｊｉａｎ， ｅｔ ａｌ． Ｍｉｎｉｎｇ ａｌｇｏｒｉｔｈｍ ｏｆ ｍｉｃｒｏｂｌｏｇｇｉｎｇ ｏｐｉｎｉｏｎ ｌｅａｄｅｒｓ ｂａｓｅｄ ｏｎ ｕｓｅｒ⁃ ｂｅｈａｖｉｏｒ ｎｅｔｗｏｒｋ［ Ｊ］． Ａｐｐｌｉｃａｔｉｏｎ ｒｅｓｅａｒｃｈ ｏｆ ｃｏｍｐｕｔｅｒｓ， ２０１５， ３２（９）： ２６７８－２６８３． ［３０］ＳＵＰＰＡ Ｐ， ＺＩＭＥＯ Ｅ． Ａ ｃｌｕｓｔｅｒｅｄ ａｐｐｒｏａｃｈ ｆｏｒ ｆａｓｔ ｃｏｍｐｕ⁃ ｔａｔｉｏｎ ｏｆ ｂｅｔｗｅｅｎｎｅｓｓ ｃｅｎｔｒａｌｉｔｙ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ２０１５ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｇｒｅｓｓ ｏｎ Ｂｉｇ Ｄａｔａ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＩＥＥＥ， ２０１５： ４７－５４． ［３１］ＹＡＮＧ Ｙａｎｇ， ＴＡＮＧ Ｊｉｅ， ＬＥＵＮＧ Ｃ Ｗ Ｋ， ｅｔ ａｌ． Ｒａｉｎ： ｓｏ⁃ ｃｉａｌ ｒｏｌｅ⁃ａｗａｒｅ ｉｎｆｏｒｍａｔｉｏｎ ｄｉｆｆｕｓｉｏｎ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｔｗｅｎｔｙ⁃Ｎｉｎｔｈ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉ⁃ ｇｅｎｃｅ． Ａｕｓｔｉｎ， Ｔｅｘａｓ， ＵＳＡ： ＡＡＡＩ， ２０１５： ３６７－３７３． ［３２］ＳＵＢＢＩＡＮ Ｋ， ＡＧＧＡＲＷＡＬ Ｃ Ｃ， ＳＲＩＶＡＳＴＡＶＡ Ｊ． Ｑｕｅｒ⁃ ｙｉｎｇ ａｎｄ ｔｒａｃｋｉｎｇ ｉｎｆｌｕｅｎｃｅｒｓ ｉｎ ｓｏｃｉａｌ ｓｔｒｅａｍｓ［Ｃ］ ／ ／ Ｐｒｏ⁃ ｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｎｉｎｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｅｂ Ｓｅａｒｃｈ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１６： ４９３－５０２． ［３３］ＳＵ Ｊｉａｎｈａｉ， ＨＡＶＥＮＳ Ｔ Ｃ． Ｑｕａｄｒａｔｉｃ ｐｒｏｇｒａｍ⁃ｂａｓｅｄ ｍｏｄ⁃ ｕｌａｒｉｔｙ ｍａｘｉｍｉｚａｔｉｏｎ ｆｏｒ ｆｕｚｚｙ ｃｏｍｍｕｎｉｔｙ ｄｅｔｅｃｔｉｏｎ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ［ Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｆｕｚｚｙ ｓｙｓｔｅｍｓ， ２０１５， ２３（５）： １３５６－１３７１． ［３４］ＫＬＯＳＴＥＲ Ｋ， ＧＬＥＩＣＨ Ｄ Ｆ． Ｈｅａｔ ｋｅｒｎｅｌ ｂａｓｅｄ ｃｏｍｍｕｎｉｔｙ ｄｅｔｅｃｔｉｏｎ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０ｔｈ ＡＣＭ ＳＩＧＫＤＤ Ｉｎ⁃ ｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１４： １３８６－１３９５． ［３５］ＡＬＴＵＮＢＥＹ Ｆ， ＡＬＡＴＡＳ Ｂ． Ｏｖｅｒｌａｐｐｉｎｇ ｃｏｍｍｕｎｉｔｙ ｄｅｔｅｃ⁃ ｔｉｏｎ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｕｓｉｎｇ ｐａｒｌｉａｍｅｎｔａｒｙ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌ⁃ ｇｏｒｉｔｈｍ［Ｊ］． Ｉｎｔｅｒｎａｔｉｏｎａｌ ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒ ｎｅｔｗｏｒｋｓ ａｎｄ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１５， ２（１）： １２－１９． ［３６］ＡＲＡＢ Ｍ， ＡＦＳＨＡＲＣＨＩ Ｍ． Ｃｏｍｍｕｎｉｔｙ ｄｅｔｅｃｔｉｏｎ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｕｓｉｎｇ ｈｙｂｒｉｄ ｍｅｒｇｉｎｇ ｏｆ ｓｕｂ⁃ｃｏｍｍｕｎｉｔｉｅｓ ［ Ｊ ］． Ｊｏｕｒｎａｌ ｏｆ ｎｅｔｗｏｒｋ ａｎｄ ｃｏｍｐｕｔｅｒ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１４， ４０： ７３－８４． ［３７］ＣＨＥＮ Ｐｉｎｙｕ， ＨＥＲＯ Ａ Ｏ． Ｄｅｅｐ ｃｏｍｍｕｎｉｔｙ ｄｅｔｅｃｔｉｏｎ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｉｎｇ， ２０１５， ６３ （ ２１）： ５７０６－５７１９． ［３８］ＺＨＡＮＧ Ｙｕａｎ， ＬＥＶＩＮＡ Ｅ， ＺＨＵ Ｊｉ． Ｄｅｔｅｃｔｉｎｇ ｏｖｅｒｌａｐｐｉｎｇ ｃｏｍｍｕｎｉｔｉｅｓ ｉｎ ｎｅｔｗｏｒｋｓ ｕｓｉｎｇ ｓｐｅｃｔｒａｌ ｍｅｔｈｏｄｓ［Ｊ］． Ｐｈｙｓ⁃ ｉｃａ ａ： ｓｔａｔｉｓｔｉｃａｌ ｍｅｃｈａｎｉｃｓ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎｓ， ２０１４， ４０５： １－３７． ［３９］ＧＡＯ Ｃｈａｏ， ＭＡ Ｚｏｎｇｍｉｎｇ， ＺＨＡＮＧ Ａ Ｙ， ｅｔ ａｌ． Ａｃｈｉｅｖｉｎｇ ｏｐｔｉｍａｌ ｍｉｓｃｌａｓｓｉｆｉｃａｔｉｏｎ ｐｒｏｐｏｒｔｉｏｎ ｉｎ ｓｔｏｃｈａｓｔｉｃ ｂｌｏｃｋ ｍｏｄｅｌ［Ｊ］． Ｃｏｍｐｕｔｅｒ ｓｃｉｅｎｃｅ， ２０１５， ２０（３）： ８８－９０． ［４０］ＭＡＨＭＯＯＤ Ａ， ＳＭＡＬＬ Ｍ． Ｓｕｂｓｐａｃｅ ｂａｓｅｄ ｎｅｔｗｏｒｋ ｃｏｍ⁃ ｍｕｎｉｔｙ ｄｅｔｅｃｔｉｏｎ ｕｓｉｎｇ ｓｐａｒｓｅ ｌｉｎｅａｒ ｃｏｄｉｎｇ ［ Ｊ ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｋｎｏｗｌｅｄｇｅ ａｎｄ ｄａｔａ ｅｎｇｉｎｅｅｒｉｎｇ， ２０１６， ２８ （３）： ８０１－８１２． ［４１］ＡＩＲＯＬＤＩ Ｅ Ｍ， ＢＬＥＩ Ｄ Ｍ， ＦＩＥＮＢＥＲＧ Ｓ Ｅ， ｅｔ ａｌ． Ｍｉｘｅｄ ｍｅｍｂｅｒｓｈｉｐ ｓｔｏｃｈａｓｔｉｃ ｂｌｏｃｋｍｏｄｅｌｓ［Ｊ］． Ｔｈｅ ｊｏｕｒｎａｌ ｏｆ ｍａ⁃ ｃｈｉｎｅ ｌｅａｒｎｉｎｇ ｒｅｓｅａｒｃｈ， ２００８， ９： １９８１－２０１４． ［４２］赵文清， 侯小可， 沙海虹． 语义规则在微博热点话题情 感分析中的应用［Ｊ］． 智能系统学报， ２０１４， ９（１）： １２１ －１２５． ＺＨＡＯ Ｗｅｎｑｉｎｇ， ＨＯＵ Ｘｉａｏｋｅ， ＳＨＡ Ｈａｉｈｏｎｇ． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ｓｅｍａｎｔｉｃ ｒｕｌｅｓ ｔｏ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｏｆ ｍｉｃｒｏｂｌｏｇ ｈｏｔ ｔｏｐ⁃ ｉｃｓ［Ｊ］． ＣＡＡＩ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｓｙｓｔｅｍｓ， ２０１４， ９ （１）： １２１－１２５． ［４３ ］ ＢＲＡＶＯ⁃ＭＡＲＱＵＥＺ Ｆ， ＭＥＮＤＯＺＡ Ｍ， ＰＯＢＬＥＴＥ Ｂ． Ｃｏｍｂｉｎｉｎｇ ｓｔｒｅｎｇｔｈｓ， ｅｍｏｔｉｏｎｓ ａｎｄ ｐｏｌａｒｉｔｉｅｓ ｆｏｒ ｂｏｏｓｔｉｎｇ Ｔｗｉｔｔｅｒ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｅｃ⁃ ｏｎｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ｉｓｓｕｅｓ ｏｆ Ｓｅｎｔｉｍｅｎｔ Ｄｉｓ⁃ ｃｏｖｅｒｙ ａｎｄ Ｏｐｉｎｉｏｎ Ｍｉｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１３： ２． ［４４］ＨＵ Ｘｉａ， ＴＡＮＧ Ｌｅｉ， ＴＡＮＧ Ｊｉｌｉａｎｇ， ｅｔ ａｌ． Ｅｘｐｌｏｉｔｉｎｇ ｓｏ⁃ ｃｉａｌ ｒｅｌａｔｉｏｎｓ ｆｏｒ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｉｎ ｍｉｃｒｏｂｌｏｇｇｉｎｇ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ Ｓｉｘｔｈ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｗｅｂ Ｓｅａｒｃｈ ａｎｄ Ｄａｔａ Ｍｉｎｉｎｇ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１３： ５３７－５４６． ［４５］ＮＡＳＫＡＲ Ｄ， ＭＯＫＡＤＤＥＭ Ｓ， ＲＥＢＯＬＬＯ Ｍ， ｅｔ ａｌ． Ｓｅｎｔｉ⁃ ｍｅｎｔ ａｎａｌｙｓｉｓ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｔｈｒｏｕｇｈ ｔｏｐｉｃ ｍｏｄｅｌｉｎｇ ［Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ １０ｔｈ Ｅｄｉｔｉｏｎ ｏｆ ｔｈｅ Ｌａｎｇｕａｇｅ Ｒｅ⁃ ｓｏｕｒｃｅｓ ａｎｄ Ｅｖａｌｕａｔｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ （ＬＲＥＣ） ２０１６． Ｐｏｒｔｏ⁃ ｒｏｚ： ＬＲＥＣ， ２０１６． ［４６］ＳＩＸＴＯ Ｊ， ＡＬＭＥＩＤＡ Ａ， Ｌ􀆕ＰＥＺ⁃ＤＥ⁃ＩＰＩÑＡ Ｄ． Ｉｍｐｒｏｖｉｎｇ ｔｈｅ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｐｒｏｃｅｓｓ ｏｆ ｓｐａｎｉｓｈ ｔｗｅｅｔｓ ｗｉｔｈ ｂｍ２５ ［Ｍ］ ／ ／ ＭÉＴＡＩＳ Ｅ， ＭＥＺＩＡＮＥ Ｆ， ＳＡＲＡＥＥ Ｍ， ｅｔ ａｌ． Ｎａｔ⁃ ｕｒａｌ Ｌａｎｇｕａｇｅ Ｐｒｏｃｅｓｓｉｎｇ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｙｓｔｅｍｓ． Ｓｗｉｔｚｅｒ⁃ ｌａｎｄ： Ｓｐｒｉｎｇｅｒ， ２０１６： ２８５－２９１． ［４７］ＹＯＵ Ｑｕａｎｚｅｎｇ， ＬＵＯ Ｊｉｅｂｏ， ＪＩＮ Ｈａｉｌｉｎ， ｅｔ ａｌ． Ｒｏｂｕｓｔ ｉｍ⁃ ａｇｅ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｕｓｉｎｇ ｐｒｏｇｒｅｓｓｉｖｅｌｙ ｔｒａｉｎｅｄ ａｎｄ ｄｏ⁃ ｍａｉｎ ｔｒａｎｓｆｅｒｒｅｄ ｄｅｅｐ ｎｅｔｗｏｒｋｓ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ 第 ６ 期 石磊，等：在线社交网络挖掘与搜索技术研究 ·７８５·

·786 智能系统学报 第11卷 Twenty-Ninth AAAl Conference on Artificial Intelligence. [60]SCHINAS M,PAPADOPOULOS S,PETKOS G,et al. Austin,Texas,USA:AAAI Press,2015:381-388. Multimodal event detection and summarization in large [48]CHAO Linlin,TAO Jianhua,YANG Minghao,et al.Long scale image collections [C]//Proceedings of the 2016 short term memory recurrent neural network based multimo- ACM on International Conference on Multimedia Retrieval. dal dimensional emotion recognition C]//Proceedings of New York,NY,USA:ACM,2016:421-422. the 5th International Workshop on Audio/Visual Emotion [61]GAO Yue,ZHAO Sicheng.YANG Yang,et al.Multime- Challenge.New York,NY,USA:ACM,2015:65-72. dia social event detection in microblog M ]//HE [49]PORIA S,CAMBRIA E,HOWARD N.et al.Fusing au- Xiangjian,LUO Suhuai,TAO Dacheng,et al.MultiMedia dio,visual and textual clues for sentiment analysis from Modeling.Switzerland:Springer International Publishing, multimodal content[J].Neurocomputing,2016,174:50- 2015:269-281. 59. [62]UNANKARD S,LI Xue,SHARAF M A.Emerging event [50]KALEEL S B,ABHARI A.Cluster-discovery of twitter detection in social networks with location sensitivity[J]. messages for event detection and trending[J].Journal of World wide web,2015,18(5):1393-1417. computational science,2015,6:47-57. [63]BOUADJENEK M R,HACID H,BOUZEGHOUB M.So- [51]D'ANDREA E.DUCANGE P,LAZZERINI B,et al.Re- cial networks and information retrieval,how are they con- al-time detection of traffic from twitter stream analysis[J]. verging?A survey,a taxonomy and an analysis of social in- IEEE transactions on intelligent transportation systems, formation retrieval approaches and platforms[].Informa- 2015.16(4):2269-2283. tion systems,2016,56:1-18. [52]LI Jianxin,WEN Jianfeng,TAI Zhenying,et al.Bursty e- [64]刘峤，李杨，段宏，等.知识图谱构建技术综述[].计 vent detection from microblog:a distributed and incremen- 算机研究与发展，2016,53(3)：582-600. tal approach[J].Concurrency and computation practice LIU Qiao,LI Yang,DUAN Hong,et al.Knowledge graph and experience,2016,28(11):3115-3130. construction techniques[J].Journal of computer research [53 ]ZHANG Xiaoming,CHEN Xiaoming,CHEN Yan,et al. and development,2016,53(3):582-600. Event detection and popularity prediction in microblogging [65]费洪晓，莫天池，秦启飞，等.社交网络相关机制应用 [J].Neurocomputing,2015,149:1469-1480, 于搜索引擎的研究综述[J刀].计算技术与自动化，2014， [54]ZHOU Xiangmin,CHEN Lei.Event detection over twitter 33(1):1-9. social media streams[J].The VLDB joural,2014,23 FEI Hongxiao,MO Tianchi,QIN Qifei,et al.The resear- (3):381-400. ches of applying social networking mechanism to search en- [55]POHL D,BOUCHACHIA A.HELLWAGNER H.Social gine:a survey[J].Computing technology and automation, media for crisis management:clustering approaches for 2014.33(1):1-9. sub-event detection[J].Multimedia tools and applica- [66]CHEN Chun,LI Feng,OOI B C,et al.Ti:an efficient in- tions,2015,74(11):3901-3932. dexing mechanism for real-time search on tweets[C]// [56]GUILLE A,FAVRE C.Mention-anomaly-based event de- Proceedings of the 2011 ACM SIGMOD International Con- tection and tracking in twitter[C//Proceedings of 2014 ference on Management of Data.New York,NY,USA: IEEE/ACM International Conference on Advances in Social ACM,2011:649-660. Networks Analysis and Mining.Beijing,China:IEEE, [67]CHEN Hanhua,JIN Hai.Efficient keyword searching in 2014:375-382. large-scale social network service[J].IEEE transactions [57]ZHANG Yu,QU Zhiyi.A novel method for online bursty on services computing,2015,doi:10.1109/TSC.2015. event detection on twitter[C]//Proceedings of the 2015 2464819. 6th IEEE International Conference on Software Engineering [68]LI Yuchen,BAO Zhifeng,LI Guoliang,et al.Real time and Service Science (ICSESS).Beijing,China:IEEE, personalized search on social networks[C]//Proceedings 2015:284-288. of the 2015 IEEE 31st International Conference on Data [58]YAN Yan,YANG Yi,MENG Deyu,et al.Event oriented Engineering.Seoul,South Korea:IEEE,2015:639-650. dictionary learning for complex event detection[J].IEEE [69]ZHAO Feng,LIU Jun,ZHOU Jingyu,et al.IS-AMS:an transactions on image processing,2015,24(6):1867- adaptive indexing structure for realtime search on microb- 1878. logs[J].IEEE transactions on big data,2015,1(4):125 [59]ABDELHAQ H,SENGSTOCK C,GERTZ M.Eventweet: -137. online localized event detection from twitter[J].Proceed- [70 HUANG Haifei,LI Jianxin,ZHANG Richong,et al. ings of the VLDB endowment,2013,6(12):1326-1329 Liveindex:a distributed online index system for temporal

Ｔｗｅｎｔｙ⁃Ｎｉｎｔｈ ＡＡＡＩ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ． Ａｕｓｔｉｎ， Ｔｅｘａｓ， ＵＳＡ： ＡＡＡＩ Ｐｒｅｓｓ， ２０１５： ３８１－３８８． ［４８］ＣＨＡＯ Ｌｉｎｌｉｎ， ＴＡＯ Ｊｉａｎｈｕａ， ＹＡＮＧ Ｍｉｎｇｈａｏ， ｅｔ ａｌ． Ｌｏｎｇ ｓｈｏｒｔ ｔｅｒｍ ｍｅｍｏｒｙ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｂａｓｅｄ ｍｕｌｔｉｍｏ⁃ ｄａｌ ｄｉｍｅｎｓｉｏｎａｌ ｅｍｏｔｉｏｎ ｒｅｃｏｇｎｉｔｉｏｎ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ５ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｗｏｒｋｓｈｏｐ ｏｎ Ａｕｄｉｏ ／ Ｖｉｓｕａｌ Ｅｍｏｔｉｏｎ Ｃｈａｌｌｅｎｇｅ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１５： ６５－７２． ［４９］ＰＯＲＩＡ Ｓ， ＣＡＭＢＲＩＡ Ｅ， ＨＯＷＡＲＤ Ｎ， ｅｔ ａｌ． Ｆｕｓｉｎｇ ａｕ⁃ ｄｉｏ， ｖｉｓｕａｌ ａｎｄ ｔｅｘｔｕａｌ ｃｌｕｅｓ ｆｏｒ ｓｅｎｔｉｍｅｎｔ ａｎａｌｙｓｉｓ ｆｒｏｍ ｍｕｌｔｉｍｏｄａｌ ｃｏｎｔｅｎｔ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ， ２０１６， １７４： ５０－ ５９． ［５０］ ＫＡＬＥＥＬ Ｓ Ｂ， ＡＢＨＡＲＩ Ａ． Ｃｌｕｓｔｅｒ⁃ｄｉｓｃｏｖｅｒｙ ｏｆ ｔｗｉｔｔｅｒ ｍｅｓｓａｇｅｓ ｆｏｒ ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｔｒｅｎｄｉｎｇ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔａｔｉｏｎａｌ ｓｃｉｅｎｃｅ， ２０１５， ６： ４７－５７． ［５１］Ｄ＇ＡＮＤＲＥＡ Ｅ， ＤＵＣＡＮＧＥ Ｐ， ＬＡＺＺＥＲＩＮＩ Ｂ， ｅｔ ａｌ． Ｒｅ⁃ ａｌ⁃ｔｉｍｅ ｄｅｔｅｃｔｉｏｎ ｏｆ ｔｒａｆｆｉｃ ｆｒｏｍ ｔｗｉｔｔｅｒ ｓｔｒｅａｍ ａｎａｌｙｓｉｓ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｎｔｅｌｌｉｇｅｎｔ ｔｒａｎｓｐｏｒｔａｔｉｏｎ ｓｙｓｔｅｍｓ， ２０１５， １６（４）： ２２６９－２２８３． ［５２］ＬＩ Ｊｉａｎｘｉｎ， ＷＥＮ Ｊｉａｎｆｅｎｇ， ＴＡＩ Ｚｈｅｎｙｉｎｇ， ｅｔ ａｌ． Ｂｕｒｓｔｙ ｅ⁃ ｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ｆｒｏｍ ｍｉｃｒｏｂｌｏｇ： ａ ｄｉｓｔｒｉｂｕｔｅｄ ａｎｄ ｉｎｃｒｅｍｅｎ⁃ ｔａｌ ａｐｐｒｏａｃｈ ［ Ｊ］． Ｃｏｎｃｕｒｒｅｎｃｙ ａｎｄ ｃｏｍｐｕｔａｔｉｏｎ ｐｒａｃｔｉｃｅ ａｎｄ ｅｘｐｅｒｉｅｎｃｅ， ２０１６， ２８（１１）： ３１１５－３１３０． ［５３］ＺＨＡＮＧ Ｘｉａｏｍｉｎｇ， ＣＨＥＮ Ｘｉａｏｍｉｎｇ， ＣＨＥＮ Ｙａｎ， ｅｔ ａｌ． Ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｐｏｐｕｌａｒｉｔｙ ｐｒｅｄｉｃｔｉｏｎ ｉｎ ｍｉｃｒｏｂｌｏｇｇｉｎｇ ［Ｊ］． Ｎｅｕｒｏｃｏｍｐｕｔｉｎｇ， ２０１５， １４９： １４６９－１４８０． ［５４］ＺＨＯＵ Ｘｉａｎｇｍｉｎ， ＣＨＥＮ Ｌｅｉ． Ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ｏｖｅｒ ｔｗｉｔｔｅｒ ｓｏｃｉａｌ ｍｅｄｉａ ｓｔｒｅａｍｓ ［ Ｊ］． Ｔｈｅ ＶＬＤＢ ｊｏｕｒｎａｌ， ２０１４， ２３ （３）： ３８１－４００． ［５５］ ＰＯＨＬ Ｄ， ＢＯＵＣＨＡＣＨＩＡ Ａ， ＨＥＬＬＷＡＧＮＥＲ Ｈ． Ｓｏｃｉａｌ ｍｅｄｉａ ｆｏｒ ｃｒｉｓｉｓ ｍａｎａｇｅｍｅｎｔ： ｃｌｕｓｔｅｒｉｎｇ ａｐｐｒｏａｃｈｅｓ ｆｏｒ ｓｕｂ⁃ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ［ Ｊ ］． Ｍｕｌｔｉｍｅｄｉａ ｔｏｏｌｓ ａｎｄ ａｐｐｌｉｃａ⁃ ｔｉｏｎｓ， ２０１５， ７４（１１）： ３９０１－３９３２． ［５６］ＧＵＩＬＬＥ Ａ， ＦＡＶＲＥ Ｃ． Ｍｅｎｔｉｏｎ⁃ａｎｏｍａｌｙ⁃ｂａｓｅｄ ｅｖｅｎｔ ｄｅ⁃ ｔｅｃｔｉｏｎ ａｎｄ ｔｒａｃｋｉｎｇ ｉｎ ｔｗｉｔｔｅｒ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ２０１４ ＩＥＥＥ ／ ＡＣＭ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ａｄｖａｎｃｅｓ ｉｎ Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｓ Ａｎａｌｙｓｉｓ ａｎｄ Ｍｉｎｉｎｇ． Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ： ＩＥＥＥ， ２０１４： ３７５－３８２． ［５７］ＺＨＡＮＧ Ｙｕ， ＱＵ Ｚｈｉｙｉ． Ａ ｎｏｖｅｌ ｍｅｔｈｏｄ ｆｏｒ ｏｎｌｉｎｅ ｂｕｒｓｔｙ ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ｏｎ ｔｗｉｔｔｅｒ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１５ ６ｔｈ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｓｅｒｖｉｃｅ Ｓｃｉｅｎｃｅ （ ＩＣＳＥＳＳ）． Ｂｅｉｊｉｎｇ， Ｃｈｉｎａ： ＩＥＥＥ， ２０１５： ２８４－２８８． ［５８］ＹＡＮ Ｙａｎ， ＹＡＮＧ Ｙｉ， ＭＥＮＧ Ｄｅｙｕ， ｅｔ ａｌ． Ｅｖｅｎｔ ｏｒｉｅｎｔｅｄ ｄｉｃｔｉｏｎａｒｙ ｌｅａｒｎｉｎｇ ｆｏｒ ｃｏｍｐｌｅｘ ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ［ Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ， ２０１５， ２４ （ ６）： １８６７ － １８７８． ［５９］ＡＢＤＥＬＨＡＱ Ｈ， ＳＥＮＧＳＴＯＣＫ Ｃ， ＧＥＲＴＺ Ｍ． Ｅｖｅｎｔｗｅｅｔ： ｏｎｌｉｎｅ ｌｏｃａｌｉｚｅｄ ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ｆｒｏｍ ｔｗｉｔｔｅｒ［ Ｊ］． Ｐｒｏｃｅｅｄ⁃ ｉｎｇｓ ｏｆ ｔｈｅ ＶＬＤＢ ｅｎｄｏｗｍｅｎｔ， ２０１３， ６（１２）： １３２６－１３２９． ［６０］ ＳＣＨＩＮＡＳ Ｍ， ＰＡＰＡＤＯＰＯＵＬＯＳ Ｓ， ＰＥＴＫＯＳ Ｇ， ｅｔ ａｌ． Ｍｕｌｔｉｍｏｄａｌ ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｓｕｍｍａｒｉｚａｔｉｏｎ ｉｎ ｌａｒｇｅ ｓｃａｌｅ ｉｍａｇｅ ｃｏｌｌｅｃｔｉｏｎｓ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１６ ＡＣＭ ｏｎ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｒｅｔｒｉｅｖａｌ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１６： ４２１－４２２． ［６１］ＧＡＯ Ｙｕｅ， ＺＨＡＯ Ｓｉｃｈｅｎｇ， ＹＡＮＧ Ｙａｎｇ， ｅｔ ａｌ． Ｍｕｌｔｉｍｅ⁃ ｄｉａ ｓｏｃｉａｌ ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ｉｎ ｍｉｃｒｏｂｌｏｇ ［ Ｍ ］ ／ ／ ＨＥ Ｘｉａｎｇｊｉａｎ， ＬＵＯ Ｓｕｈｕａｉ， ＴＡＯ Ｄａｃｈｅｎｇ， ｅｔ ａｌ． ＭｕｌｔｉＭｅｄｉａ Ｍｏｄｅｌｉｎｇ． Ｓｗｉｔｚｅｒｌａｎｄ： Ｓｐｒｉｎｇｅｒ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｐｕｂｌｉｓｈｉｎｇ， ２０１５： ２６９－２８１． ［６２］ＵＮＡＮＫＡＲＤ Ｓ， ＬＩ Ｘｕｅ， ＳＨＡＲＡＦ Ｍ Ａ． Ｅｍｅｒｇｉｎｇ ｅｖｅｎｔ ｄｅｔｅｃｔｉｏｎ ｉｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ｗｉｔｈ ｌｏｃａｔｉｏｎ ｓｅｎｓｉｔｉｖｉｔｙ ［ Ｊ］． Ｗｏｒｌｄ ｗｉｄｅ ｗｅｂ， ２０１５， １８（５）： １３９３－１４１７． ［６３］ＢＯＵＡＤＪＥＮＥＫ Ｍ Ｒ， ＨＡＣＩＤ Ｈ， ＢＯＵＺＥＧＨＯＵＢ Ｍ． Ｓｏ⁃ ｃｉａｌ ｎｅｔｗｏｒｋｓ ａｎｄ ｉｎｆｏｒｍａｔｉｏｎ ｒｅｔｒｉｅｖａｌ， ｈｏｗ ａｒｅ ｔｈｅｙ ｃｏｎ⁃ ｖｅｒｇｉｎｇ？ Ａ ｓｕｒｖｅｙ， ａ ｔａｘｏｎｏｍｙ ａｎｄ ａｎ ａｎａｌｙｓｉｓ ｏｆ ｓｏｃｉａｌ ｉｎ⁃ ｆｏｒｍａｔｉｏｎ ｒｅｔｒｉｅｖａｌ ａｐｐｒｏａｃｈｅｓ ａｎｄ ｐｌａｔｆｏｒｍｓ［ Ｊ］． Ｉｎｆｏｒｍａ⁃ ｔｉｏｎ ｓｙｓｔｅｍｓ， ２０１６， ５６： １－１８． ［６４］刘峤， 李杨， 段宏， 等． 知识图谱构建技术综述［ Ｊ］． 计 算机研究与发展， ２０１６， ５３（３）： ５８２－６００． ＬＩＵ Ｑｉａｏ， ＬＩ Ｙａｎｇ， ＤＵＡＮ Ｈｏｎｇ， ｅｔ ａｌ． Ｋｎｏｗｌｅｄｇｅ ｇｒａｐｈ ｃｏｎｓｔｒｕｃｔｉｏｎ ｔｅｃｈｎｉｑｕｅｓ［ Ｊ］． Ｊｏｕｒｎａｌ ｏｆ ｃｏｍｐｕｔｅｒ ｒｅｓｅａｒｃｈ ａｎｄ ｄｅｖｅｌｏｐｍｅｎｔ， ２０１６， ５３（３）： ５８２－６００． ［６５］费洪晓， 莫天池， 秦启飞， 等． 社交网络相关机制应用 于搜索引擎的研究综述［Ｊ］． 计算技术与自动化， ２０１４， ３３（１）： １－９． ＦＥＩ Ｈｏｎｇｘｉａｏ， ＭＯ Ｔｉａｎｃｈｉ， ＱＩＮ Ｑｉｆｅｉ， ｅｔ ａｌ． Ｔｈｅ ｒｅｓｅａｒ⁃ ｃｈｅｓ ｏｆ ａｐｐｌｙｉｎｇ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｉｎｇ ｍｅｃｈａｎｉｓｍ ｔｏ ｓｅａｒｃｈ ｅｎ⁃ ｇｉｎｅ： ａ ｓｕｒｖｅｙ［Ｊ］． Ｃｏｍｐｕｔｉｎｇ ｔｅｃｈｎｏｌｏｇｙ ａｎｄ ａｕｔｏｍａｔｉｏｎ， ２０１４， ３３（１）： １－９． ［６６］ＣＨＥＮ Ｃｈｕｎ， ＬＩ Ｆｅｎｇ， ＯＯＩ Ｂ Ｃ， ｅｔ ａｌ． Ｔｉ： ａｎ ｅｆｆｉｃｉｅｎｔ ｉｎ⁃ ｄｅｘｉｎｇ ｍｅｃｈａｎｉｓｍ ｆｏｒ ｒｅａｌ⁃ｔｉｍｅ ｓｅａｒｃｈ ｏｎ ｔｗｅｅｔｓ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１１ ＡＣＭ ＳＩＧＭＯＤ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎ⁃ ｆｅｒｅｎｃｅ ｏｎ Ｍａｎａｇｅｍｅｎｔ ｏｆ Ｄａｔａ． Ｎｅｗ Ｙｏｒｋ， ＮＹ， ＵＳＡ： ＡＣＭ， ２０１１： ６４９－６６０． ［６７］ ＣＨＥＮ Ｈａｎｈｕａ， ＪＩＮ Ｈａｉ． Ｅｆｆｉｃｉｅｎｔ ｋｅｙｗｏｒｄ ｓｅａｒｃｈｉｎｇ ｉｎ ｌａｒｇｅ⁃ｓｃａｌｅ ｓｏｃｉａｌ ｎｅｔｗｏｒｋ ｓｅｒｖｉｃｅ ［ Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｓｅｒｖｉｃｅｓ ｃｏｍｐｕｔｉｎｇ， ２０１５， ｄｏｉ： １０． １１０９ ／ ＴＳＣ． ２０１５． ２４６４８１９． ［６８］ ＬＩ Ｙｕｃｈｅｎ， ＢＡＯ Ｚｈｉｆｅｎｇ， ＬＩ Ｇｕｏｌｉａｎｇ， ｅｔ ａｌ． Ｒｅａｌ ｔｉｍｅ ｐｅｒｓｏｎａｌｉｚｅｄ ｓｅａｒｃｈ ｏｎ ｓｏｃｉａｌ ｎｅｔｗｏｒｋｓ ［ Ｃ］ ／ ／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２０１５ ＩＥＥＥ ３１ｓｔ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｄａｔａ Ｅｎｇｉｎｅｅｒｉｎｇ． Ｓｅｏｕｌ， Ｓｏｕｔｈ Ｋｏｒｅａ： ＩＥＥＥ， ２０１５： ６３９－６５０． ［６９］ＺＨＡＯ Ｆｅｎｇ， ＬＩＵ Ｊｕｎ， ＺＨＯＵ Ｊｉｎｇｙｕ， ｅｔ ａｌ． ＬＳ⁃ＡＭＳ： ａｎ ａｄａｐｔｉｖｅ ｉｎｄｅｘｉｎｇ ｓｔｒｕｃｔｕｒｅ ｆｏｒ ｒｅａｌｔｉｍｅ ｓｅａｒｃｈ ｏｎ ｍｉｃｒｏｂ⁃ ｌｏｇｓ［Ｊ］． ＩＥＥＥ ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ ｂｉｇ ｄａｔａ， ２０１５， １（４）： １２５ －１３７． ［ ７０ ］ ＨＵＡＮＧ Ｈａｉｆｅｉ， ＬＩ Ｊｉａｎｘｉｎ， ＺＨＡＮＧ Ｒｉｃｈｏｎｇ， ｅｔ ａｌ． Ｌｉｖｅｉｎｄｅｘ： ａ ｄｉｓｔｒｉｂｕｔｅｄ ｏｎｌｉｎｅ ｉｎｄｅｘ ｓｙｓｔｅｍ ｆｏｒ ｔｅｍｐｏｒａｌ ·７８６· 智 能 系 统 学 报 第 １１ 卷