社交网络为用户群体提供一个利用集体思维解决具体问题的平台。众包系统可视为一个目标明确的小型社交网络,用户基于公众兴趣、公共利益自愿聚集在一起,在其中贡献感知体验、创建知识库,并利用网络的社交功能实现共同目标。共同目标包括基于集体智慧还原热点事件、利用分布式感知数据源求解大规模问题等等。基于社交网络用户感知的众包模式是社交网络与众包感知相结合的产物,满足开放式协作众包模式（Open Collaboration Crowdsourcing）的特征。基于此,本文将社交网络用户群体视作众包感知数据源,并将其贡献的感知数据划分为基础、关键、扩展三个层面,其中基础层面对应于面向日常社交互动的众包实体信息,关键层面对应于面向协同群智感知的众包感知数据,扩展层面对应于面向用户关注领域的众包事件描述信息。三个层面的众包数据对于用户特征还原、高质量数据采集、热点事件追踪等意义重大。本文开展基于社交网络用户感知的众包数据应用研究,重点研究内容可概括如下:（1）基于众包实体信息的跨网络实体识别。众包实体信息包括异构属性信息及关联结构信息,可用于识别跨网络实体间的隐含对应关系,即匹配同一用户的跨网络账户。本文针对跨网络的用户及其关联实体的识别问题,引入网络节点特征的学习及匹配,提出了一个基于矩阵分解的联合表征学习模型MFRep（Matrix Factorization based Representation learning）。MFRep模型考虑了真实网络中关联结构的差异性,以相互促进的方式同时识别多实体的跨网络对应关系。基于众包实体信息的跨网络实体识别还原了用户及其关联实体的特征信息,有利于构建全面的用户画像。（2）基于众包感知数据的众包团队形成。基于众包实体信息还原的用户在线足迹可作为线索,收集用户在群智感知应用中贡献的历史感知数据。众包感知数据包括环境信息感知等数值型数据,及消费者调查/产品评论等类别型数据。本文提出了一个众包团队组建机制QEM-Crowd（Quality Estimation Model for team Crowdsourcing）,包括感知质量评估模型QEM（Quality Estimation Model）和任务分配算法CSSelection。根据用户的历史感知数据,QEM模型有效衡量了用户针对不同任务的价值贡献。通过将众包任务价值最大化问题建模成背包约束下的次模优化问题（Submodular Cost Submodular Knapsack,SCSK）,CS-Selection算法完成专业知识不同的多用户招募,在保证团队连通性的同时,得到了次模优化问题的近似解。（3）基于众包事件描述的事件检测追踪。众包团队成员贡献的感知数据可视为众包任务相关话题/事件的文本描述信息。众包事件描述信息来源于众包感知数据及用户参与的话题讨论。社交网络用户可视为社会热点事件的众包传感器,其贡献的众包事件描述包括热点事件的检测指标,事件的内容变化及事件的时空特征。基于不断生成的众包事件描述信息,本文提出了一个面向用户关注领域的事件检测追踪框架CyberEM（Event Evolution Model with respect to Cybersecurity domain）。该框架利用语义完整的语言结构表征并检测热点事件,并通过事件聚合算法探究潜在演化事件,以追踪热点事件的后续发展。综上所述,本文全面探讨了基于社交网络用户感知的开放式协作众包模式及其应用价值,为解决基于社交网络用户集体思维的具体应用问题提供了新的途径。