社交网络作为记录与传播大众日常生活信息的主要媒介与平台,每天产生大量数据信息,其中文本信息是其主要的信息形式。社交网络文本信息存在着短文本、多噪音以及稀疏性等特点。同时从国民安全事件角度来看,社交网络在国民安全突发事件中所扮演的角色越来越重要,本文基于社交网络国民安全突发事件的特点进行社交网络国民安全突发事件数据收集、处理与存储研究,社交网络国民安全突发事件动态画像研究,社交网络国民安全突发事件演进规律发现与预测研究,最终实现社交网络国民安全突发事件动态画像、演进规律发现与预测系统。具体完成工作如下:(1)在社交网络国民安全突发事件数据收集、处理与存储方面,针对社交网络国民安全突发事件数据的特点,提出了一种获取社交网络国民安全突发事件多属性数据方法。利用微博web平台以及爬虫工具进行数据的获取,同时构建相应的社交网络国民安全突发事件词库进行数据的噪音处理与归一化处理,利用MySQL关系型数据库进行有效的数据存储。利用微博web数据的特点获取微博文本数据、微博用户数据以及微博关注数据。文本获取了“武汉暴雨”、“北京雾霾”、“天津爆炸”、“中美贸易战”这4个社交网络国民安全突发事件共241145条微博,以及所发微博的用户信息与相应位置与时间信息。(2)在社交网络国民安全突发事件动态画像方面,针对当前神经网络动态画像的研究以及社交网络国民安全突发事件文本数据特点,利用知识图谱进行动态画像的构建,并从构建知识图谱的关键技术中提出了融合中文分词词性注意力机制的命名实体识别算法(BLTAC)与基于多重注意力机制的实体关系抽取算法(BLMA)。利用命名实体识别与实体关系抽取这两个技术进行社交网络国民安全突发事件知识图谱的构建,同时结合时间序列的属性进行社交网络国民安全突发事件动态画像的实现。其中对于命名实体识别,本文所提出的BLTAC算法相较当前流行的算法在社交网络国民安全突发事件数据集上的准确率提高了4.5%左右。同时对于实体关系抽取技术,本文所提出的BLMA算法相较当前流行的算法在社交网络国民安全突发事件上的准确率提升了4%左右。(3)在社交网络国民安全突发事件演进规律发现与预测方面,结合社交网络国民安全突发事件数据多属性的特点,提出了多维度社交网络国民安全突发事件演进规律发现的方法,从微博文本数据、微博用户数据以及微博关注数据等多维度、多属性进行社交网络国民安全突发事件演进规律的发现。同时针对社交网络国民安全突发事件热度趋势进行预测,提出了基于多粒度特征的热度趋势预测算法(MHTP),利用社交网络国民安全突发事件数据多属性的特点结合深度学习技术进行热度趋势的预测,本文所提出的MHTP算法相较于当前流行的算法在社交网络国民安全突发事件数据集上进行热度趋势预测的准确率提升2.4%,实现了针对社交网络国民安全突发事件热度趋势的准确预测。(4)设计并实现了社交网络国民安全突发事件动态画像、演进规律发现与预测系统。通过社交网络国民安全突发事件数据的收集、处理与存储模块,社交网络国民安全突发事件动态画像模块与社交网络国民安全突发事件演进规律发现与预测模块,实现了社交网络国民安全突发事件动态画像、演进规律发现与预测等功能。同时设计了方便用户调用的算法接口和简洁明了的交互界面,并对所提出的算法模型运行的结果进行全面展示。