[目的/意義]總結(jié)了基于在線社交媒體數(shù)據(jù)的廣度學(xué)習(xí)工作研究進(jìn)展,從情報(bào)學(xué)的視角分析了廣度學(xué)習(xí)的應(yīng)用展望及未來發(fā)展趨勢(shì)。[方法/過程]利用文獻(xiàn)統(tǒng)計(jì)分析方法,重點(diǎn)分析了廣度學(xué)習(xí)技術(shù)在網(wǎng)絡(luò)嵌入、鏈路預(yù)測(cè)、社區(qū)檢測(cè)等在線社交網(wǎng)絡(luò)分析領(lǐng)域的應(yīng)用現(xiàn)狀。[結(jié)果/結(jié)論]廣度學(xué)習(xí)可以將多個(gè)不同種類的大型異構(gòu)數(shù)據(jù)源融合在一起,設(shè)計(jì)并使用一套統(tǒng)一的分析方法來跨越這些融合的數(shù)據(jù)源執(zhí)行協(xié)同數(shù)據(jù)挖掘任務(wù)。廣度學(xué)習(xí)在異構(gòu)社交網(wǎng)絡(luò)分析中的這些成功應(yīng)用為其在情報(bào)學(xué)領(lǐng)域中的研究奠定了理論基礎(chǔ)和技術(shù)支持,將會(huì)有更廣泛更深遠(yuǎn)的研究成果出現(xiàn)。 

【文章來源】：情報(bào)理論與實(shí)踐. 2020,43(04)北大核心CSSCI

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

廣度學(xué)習(xí)在異構(gòu)社交網(wǎng)絡(luò)媒體數(shù)據(jù)挖掘中的應(yīng)用

現(xiàn)有的POI推薦模型雖然綜合考慮了時(shí)間、空間和社會(huì)信息等,但較少將標(biāo)簽、類別等文本信息納入探索的范圍內(nèi)。通過同時(shí)對(duì)POI特征和用戶表示相關(guān)的文本信息進(jìn)行建模,并與兩種不同的深度神經(jīng)網(wǎng)絡(luò)組合在一起,一種基于廣度學(xué)習(xí)的深度上下文內(nèi)容感知POI推薦模型DCPR(Deep Context aware POI Recommendation)被提出[23]。DCPR模型通過融合不同來源的用戶信息,從結(jié)構(gòu)上學(xué)習(xí)POI特征和用戶表示,以提高POI推薦任務(wù)的效果。DCPR模型是由多個(gè)深度神經(jīng)網(wǎng)絡(luò)組成的多層深度架構(gòu),其結(jié)構(gòu)如圖2所示,它包含三個(gè)協(xié)作層,分別是用于POI特征挖掘的CNN層、用于順序建模和用戶偏好建模的RNN層以及基于矩陣分解的交互層,三層結(jié)構(gòu)共同聯(lián)合優(yōu)化整體模型。DCPR框架運(yùn)作的過程如下:首先,多層深度神經(jīng)網(wǎng)絡(luò)的組合可以將POI文本信息映射到高維非線性的潛在空間中,通過用戶偏好和登記序列來學(xué)習(xí)用戶表示。其次,利用卷積神經(jīng)網(wǎng)絡(luò)CNN進(jìn)行特征提取,捕獲POI的語(yǔ)義信息,并保留原始文件和單詞序列。然后,利用長(zhǎng)短期記憶網(wǎng)絡(luò)LSTM建模登記序列以用來存儲(chǔ)用戶偏好。LSTM與CNN以結(jié)構(gòu)方式連接,LSTM通過將表示向量作為來自CNN的輸入來學(xué)習(xí)用戶偏好和具有POI語(yǔ)義信息的先驗(yàn)知識(shí)的序列模式。最后,頂層的個(gè)性化排序?qū)勇?lián)合優(yōu)化前兩層中產(chǎn)生的潛在表示,進(jìn)一步改進(jìn)前兩層中學(xué)到的潛在特征,以產(chǎn)生更準(zhǔn)確的模式和更好的推薦。DCPR框架是一個(gè)端到端的深度模型,它以分層的形式引入了CNN和RNN兩種深度神經(jīng)網(wǎng)絡(luò),以分別進(jìn)行POI表示學(xué)習(xí)和用戶表示學(xué)習(xí),具有較好的魯棒性。與傳統(tǒng)的忽略了文本內(nèi)容的模型相比,DCPR模型可以促進(jìn)登記序列建模以學(xué)習(xí)更有效的用戶潛在表示,且它可以有區(qū)別地學(xué)習(xí)不同的源信息,因而可以用于解決涉及多源異構(gòu)網(wǎng)絡(luò)學(xué)習(xí)的一般問題。

然后,與上述過程類似,利用線下企業(yè)內(nèi)部提供的各種社會(huì)信息計(jì)算出員工之間的親密度分?jǐn)?shù)EIO(u,v) 和親密度矩陣AO, 并分別進(jìn)行微型企業(yè)社區(qū)內(nèi)部融合,得到在線一致的社區(qū)和本地一致的社區(qū)。最后,通過采用正則化的方法,將存在于企業(yè)內(nèi)部的本地一致社區(qū)與ESNs中的在線一致社區(qū)進(jìn)行社區(qū)結(jié)構(gòu)融合,最終得到線上線下一致的員工社區(qū)結(jié)構(gòu)。

【參考文獻(xiàn)】：
期刊論文
[1]大數(shù)據(jù)對(duì)情報(bào)學(xué)研究的影響[J]. 馬費(fèi)成,張瑞,李志元.  圖書情報(bào)知識(shí). 2018(05)
[2]機(jī)器學(xué)習(xí)在圖書情報(bào)領(lǐng)域的應(yīng)用研究[J]. 張坤,王文韜,謝陽(yáng)群.  圖書館學(xué)研究. 2018(01)
[3]遷移學(xué)習(xí)研究綜述[J]. 王惠.  電腦知識(shí)與技術(shù). 2017(32)
[4]知識(shí)遷移的極大熵聚類算法及其在紋理圖像分割中的應(yīng)用[J]. 程旸,蔣亦樟,錢鵬江,王士同.  智能系統(tǒng)學(xué)報(bào). 2017(02)
[5]稀疏分層概率自組織圖實(shí)例遷移學(xué)習(xí)方法[J]. 吳蕾,田儒雅,張學(xué)福.  計(jì)算機(jī)應(yīng)用. 2016(03)
[6]基于多源數(shù)據(jù)融合的協(xié)同推薦方法[J]. 柯福順,姚曉輝.  電信科學(xué). 2015(07)
[7]遷移學(xué)習(xí)研究進(jìn)展[J]. 莊福振,羅平,何清,史忠植.  軟件學(xué)報(bào). 2015(01)
[8]情報(bào)科學(xué)史（Ⅴ）[J]. Dorothy B.Lilley,Ronald W.Trice,汪冰.  情報(bào)科學(xué). 1994(01)



本文編號(hào)：3558858