研究内容：围绕网络信息体系中的网络拓扑分析与信息传播机理，研究大规模知识图谱构建与推理技术、复杂信息网络建模与演化分析等基础理论。基于复杂网络理论与模型方法，研究面向社情民意的多模态知识图谱构建与知识推理技术，实现多模态知识图谱的快速构建及可视化；研究社情民意事件文本分类、实体识别、事件关联搜索，事件的同义实体检测和跟踪、基于深度学习和图计算的行为预测等技术，实现社会网络中主题社团、事件活动的检测与聚类、重要节点的发现；并构建基于复杂网络的社会行为建模预测实验平台，提升对潜在社情民意事件的主动发现和提前预警能力。

研究目标：（1）建立一个实体数量不少于百万个的社情民意领域知识图谱，具备知识图谱的动态变更功能，实现五度关系检索响应时间不大于1秒；（2）基于复杂网络的社会行为建模预测实验平台，在1-2个城市开展落地应用示范；（3）系统实现社会事件文本分类模型精准率超80%，实体识别模型精准率超80%，事件关联搜索精准率超80%，相同事件检测和跟踪模型精准率超80%；（4）支持不同长度时间窗口下的行为模式挖掘和最少5种社会活动类型的识别；（5）对复杂网络中的群体行为、突发事件实现风险全局感知和精准预测，实现预测模型精准率超80%。

研究方案

1）多模态知识图谱构建。以知识抽取、知识融合、知识校验为技术能力，大数据平台、本体管理平台、可视化平台为基础，结合文本、图片、视频等模态信息，实现对多模态知识图谱的快速构建及可视化。加强自主研发的国家信息交换模型CIEM与知识图谱技术深度融合，结合社会事件风险预警等应用场景，构建领域知识体系框架，满足长期动态演化建模需求，支撑业务需求精确预测预警。

2）社情民意事件文本分类技术。重点是通过有监督的深度学习技术将信访文本进行分类器训练，研究面向社情民意事件的语言模型进行多标签、多类别的文本分类方法，实现对社会事件进行三级类别分类，同时采用层次数据增加技术，构建多层级注意力网络，降低冗余长文本的数据干扰性，提高模型整体的分类预测精度。

3）社情民意事件实体识别和事件关联搜索技术。考虑到该领域的真实标注数据缺乏、获取成本高，拟研究基于迁移学习的社情民意领域实体识别技术，通过对抗学习、模型迁移等技术，提高目标领域的标注数据量，降低目标域模型对标注数据数量的需求，提升实体识别的准确率。采用中文事件关联搜索技术，实现对社情民意事件的实体（事件、内容、人物、办理过程、满意度评价）、关系、属性（概况、地理位置、来电号码、发起时间、事件分类）等的关联搜索。

4）社情民意事件同义实体检测和跟踪。使用事件抽取和事件生成算法抽取结果，构建原子事件候选集，采用语义聚类算法寻找相同信访件，迭代扩展事件实体集合，锁定目标事件集，运用语义相似度算法，确定信访件目标事件归属，进而实现相同事件检测和跟踪模型。

5）基于深度学习和图计算的行为预测技术。分析重点关系人历史行为记录，发现行为模式，构建关系人行为预测模型，预测关系人未来行为方式。以业务重点关注的群访事件为研究突破对象，通过对群访事件分析，量化事件烈度，掌握事件发展阶段，基于社区发现、图神经网络等模型建立预测模型，来实现群体事件在事前的主动预警。

核心团队：中国电科集团程静研究员课题组曾成功参与国家科技部6项社会安全领域国家重点研发计划、5项智慧城市领域国家重点研发计划、1项军委科技委预研项目、4项省部级创新基金项目。在新一代信息基础设施领域，中国电科在深圳等全国多个城市建设了城市运营管理中心，汇聚了几十个委办局的政务数据、13万路的实时监控视频数据以及200多亿条社会及物联网数据，具备开展城市新一代信息基础设施的复杂网络研究的平台基础。