跨媒体舆情感知与计算是社交多媒体大数据分析中的核心问题之一。伴随着社交网络的发展与普及，从社交网络中的用户热点话题中检测、跟踪与分析敏感事件在网络空间中的传播规律，具有重大的社会和国家安全价值。然而，多媒体数据的不一致性，异构数据处理方法相对独立性，海量媒体数据分析的时空复杂性等，都给跨媒体舆情感知带来了极大挑战。本项目围绕上述问题和挑战，构建了跨媒体感知与分析理论框架。在该框架下，提出了多媒体数据的紧致化表示与过滤理论，提出了一套基于多视图数据的多媒体数据分析方法，率先构建了视觉情感倾向性分析框架。有助于了解网络用户对特定事件或产品的观点及情感，在市场预测、品牌监控等方面具有广泛应用价值。

　　主要贡献点有：

　　1） 针对开放式网络环境下多媒体数据存在大量低价值的数据等问题，提出了多媒体数据的紧致化表示与过滤理论。为解决多媒体数据的异构性问题，提出了基于弱监督学习的视觉语义分析方法、基于超图模型的跨模态数据分析方法和基于同时追踪的数据集成方法，实现了异构多媒体数据的紧致化协同表征，构建了面向海量多媒体数据的过滤与检索系统。

　　2） 针对媒体舆情传播速度与信息空间感知效率之间的矛盾，提出了基于多视图数据的多媒体数据定位方法，实现了多媒体数据的精准定位，提高了舆情传播范围的感知能力；构建了基于多视图数据搜索的理论框架，从多视图数据的获取、视图选择、特征抽取、多视图匹配等角度构建了完整的数据分析方法；提出了基于图模型的地标识别方法，实现了对于社交媒体数据中代表性数据的挖掘，并以此为基础提出了融合地理信息与舆情信息的协同信息感知模型，实现了高效的舆论内容感知与监控。

　　3） 由于微博以文本、图像和视频等多种媒体形式传播，基于某一种媒体的分析技术难以有效表述话题的舆情。且由于微博具有短文本特性，传统的文本舆情分析往往效果不佳。为辅助文本数据情感倾向性分析，率先构建了大规模形容词-名词数据库，并提出了视觉情感倾向分析方法，构建了高效的舆情态势感知系统。