本文關鍵詞：社會媒體信息推薦關鍵技術研究　出處：《哈爾濱工業(yè)大學》2017年博士論文　論文類型：學位論文

  更多相關文章： 社會媒體 信息推薦 用戶興趣建模 主題模型 協同過濾

【摘要】：以微博等為代表的社會媒體逐漸成為一種新興的信息傳播載體和信息共享平臺。社會媒體的廣泛流行導致信息呈爆炸式增長,用戶很難獲取到真正有用的信息,進而引發(fā)諸如信息過載、內容碎片化等問題,給社會媒體的信息推薦研究帶來了契機。社會媒體蘊含著大量的用戶生成內容,社會媒體的信息推薦研究主要通過理解和分析用戶生成內容,推斷用戶的偏好,為用戶提供感興趣的信息。具體而言,社會媒體信息推薦主要包含三個重要元素。其一是信息,即社會媒體信息推薦的客體,信息自身內容以及它和其它信息的關系,為量化用戶的興趣提供了依據。其二是用戶,即社會媒體信息推薦的主體,挖掘用戶興趣,分析用戶偏好,有助于進行精準推薦。最后,推薦算法將信息與用戶聯系起來,是社會媒體信息推薦的關鍵。本文的研究工作圍繞上述三個重要元素。我們以微博為平臺,充分利用微博上豐富的文本數據、用戶的群體智慧等信息,結合深度學習和主題模型等方法,對社會媒體信息推薦的關鍵問題展開研究。本文的主要研究內容包括以下幾方面:1.本文提出了基于主題注意力機制的微博標簽獲取方法,解決了被推薦信息的相關性問題。微博標簽以主題或關鍵詞的形式將相似內容或相關主題的微博組織起來。針對微博文本和標簽存在用詞差異以及特征稀疏性等問題,本文將微博標簽獲取問題轉化成分類問題,提出利用長短時記憶網絡學習微博文本的深層語義表示。為了突出微博主題的作用,通過注意力機制將主題模型與長短時記憶網絡相結合,在微博標簽獲取任務上的結果相比其他基線方法有顯著的提升。同時,融合主題注意力機制的長短時記憶網絡模型比標準的長短時記憶網絡在F值上結果提升7.4%,為后續(xù)的微話題推薦研究奠定了良好的基礎。2.本文提出了基于影響因素相似度的微博流行度預測方法,解決了被推薦信息的重要性問題。在推薦信息時,不僅關注信息內容的相關性,同時還關注信息本身的價值,從海量的微博信息當中挖掘出高流行度的微博推薦給用戶。針對發(fā)布者對流行度起決定性作用的現象,本文提出以用戶為中心,基于影響因素相似度預測微博流行度。該方法主要思想是利用用戶歷史微博信息,根據語義和時間相似度排序,選擇與當前用戶待預測微博最相似的K個候選,將相似候選的加權平均流行度作為待預測微博的流行度。這種方法簡單有效,并且能夠以特征的形式融入當前最先進的有監(jiān)督模型之中,進一步提升預測結果。3.本文提出了基于有監(jiān)督主題模型的用戶興趣建模方法,實現了跨平臺的用戶信息互補和用戶興趣的精準建模。本文以消費興趣為研究對象,利用用戶在社會媒體上的信息推斷用戶的消費興趣類別。針對跨平臺數據標注獲取困難的問題,本文提出通過挖掘用戶發(fā)布的社會媒體與電商平臺的鏈接痕跡,實現跨平臺用戶的鏈指。利用有監(jiān)督主題模型對用戶發(fā)布內容、用戶關注關系以及用戶在電商平臺上的購買行為聯合建模。在微博和京東商城跨平臺的真實數據集上進行實驗,本文提出的方法在用戶消費興趣建模上取得了顯著優(yōu)于基線方法的結果。同時,本文的方法能夠自動地學習消費類別相關的詞和社會媒體賬戶,該結果能夠直接應用于其他任務中。4.本文提出了融合多元信息的微話題推薦模型,以緩解信息推薦的冷啟動問題,提升推薦結果。本文提出的混合推薦模型將用戶參與行為、用戶微話題文本信息以及屬性信息融合起來。該模型基于主題模型和協同過濾模型,更深層次結合文本信息,對用戶和微話題之間的參與關系建立良好解釋性。一方面通過協同過濾技術學習用戶的偏好,另一方面利用主題模型建模用戶的內容興趣。經實驗證明,本文提出的方法和當前最先進的混合推薦方法相比,能夠顯著地提升推薦性能。特別是在冷啟動情況下,提升效果更加明顯�？傊�,本文一方面致力于社會媒體信息推薦中的基礎性問題,包括信息建模和用戶興趣建模,另一方面從信息推薦算法的角度,提出了融合多元信息的社會媒體信息推薦模型。本文的研究取得了一些成果,相信隨著自然語言理解和信息推薦技術的不斷發(fā)展,社會媒體信息推薦研究在未來會取得更大的突破。同時,社會媒體信息推薦研究的日漸成熟也將促進其他相關研究的發(fā)展。
[Abstract]:This paper studies the key problems of social media information recommendation by using micro blog as the platform , using rich text data in social media , mining user ' s interest and analyzing user preferences . This paper makes an experiment on the relationship between user ' s participation behavior , user ' s micro - topic text information and attribute information , which is based on topic model and collaborative filtering model .

【學位授予單位】：哈爾濱工業(yè)大學
【學位級別】：博士
【學位授予年份】：2017
【分類號】：TP391.3

【參考文獻】

相關期刊論文 前5條

1 仲兆滿;管燕;胡云;李存華;;基于背景和內容的微博用戶興趣挖掘[J];軟件學報;2017年02期

2 孟祥武;劉樹棟;張玉潔;胡勛;;社會化推薦系統(tǒng)研究[J];軟件學報;2015年06期

3 扈維;張堯學;周悅芝;;基于社會化標注的用戶興趣挖掘[J];清華大學學報(自然科學版);2014年04期

4 李棟;徐志明;李生;劉挺;王秀文;;在線社會網絡中信息擴散[J];計算機學報;2014年01期

5 張晨逸;孫建伶;丁軼群;;基于MB-LDA模型的微博主題挖掘[J];計算機研究與發(fā)展;2011年10期

相關博士學位論文 前1條

1 丁效;基于社會媒體的市場行情預測方法研究[D];哈爾濱工業(yè)大學;2016年

，

本文編號：1361252