基于多社会媒体的用户建模技术研究

With the unprecedented proliferation of social media, an increasing number of people are involved in multiples social networks. Consequently, user generated contents gradually present the multi-source and heterogeneous characteristics, which gradually highlight the limitation of traditional user profiling methods that based on a single social media. Towards this end, this project aims to investigate user profiling across multiple social networks. In particular, we focus on users’ multi-view representation learning, where each view corresponds to a social media website. Based on users’ multi-view representation, this project then investigates several key problems regarding users profiling across multiple social networks, such as user linkages and user attribute inference. User linkage aims to identify the same user across multiple social networks. Pertaining to the inference of users’ attributes, this project first proposes a scheme for users’ single attribute inference. The scheme attempts to make full use of users’ multi-modality data (e.g., image, text), distributed on multiple social networks, to improve the overall performance of user attribute inference. Meanwhile, the proposed scheme is able to deal with the incomplete data of non-active users. Moreover, towards users’ composite attribute inference, which involves multiple correlated attribute inference, this project further proposes a novel method, which takes advantage of the multi-task learning scheme.

随着各种各样的社会媒体相继兴起，越来越多的用户同时参与到多个社会媒体当中。这使得用户生成数据逐渐呈现多源异构特点，并逐渐凸显了传统基于单一社会媒体用户建模技术的片面化缺点。本项目旨在研究基于多社会媒体的用户建模技术。针对用户数据数量大、噪音多、多源异构的特点，重点研究基于多社会媒体的用户多视图表示学习技术。基于用户的多视图表示，本项目进而探究基于多社会媒体用户建模研究的核心问题，包括跨社会媒体用户匹配和用户属性预测问题等。其中，针对用户属性预测，本项目首先提出基于多社会媒体的用户单一属性预测算法。算法充分挖掘用户的多模态数据，避免基于单一文本数据的用户属性预测算法的局限性，同时有效解决了非活跃用户数据不完整的问题。其次，考虑到用户复合属性预测所涉及的属性之间存在不同程度的联系，本项目创新地结合多任务学习思想，提出相应的用户复合属性预测算法，从而提高用户属性预测的整体性能。

随着各种各样社会媒体的繁荣发展，越来越多的用户同时参与到多个社会媒体中。为了更好地了解用户的属性特征，从而给用户提供更为优质的服务，本项目旨在研究基于多社会媒体的用户建模技术，主要解决了以下几个问题。首先，基于用户发布在不同社会媒体上的多源异构数据，该项目进行了时间关联性建模和自适应用户相似性建模，构建了跨社会媒体用户识别模型。其次，该项目先后使用多任务学习和图卷积神经网络技术，充分挖掘了自定义的细粒度隐私类别之间的语义关系，设计了社会媒体用户细粒度隐私检测模型。再次，基于深度学习和矩阵分解方法，该项目结合用户历史时空轨迹信息，构建了基于图片信息的用户地理标签预测模型。此外，得益于多社会媒体用户建模，该项目还将研究拓展到面向时尚领域的多模态兼容性分析。针对互补单品的时尚兼容性建模问题，该项目先后提出了纯数据驱动的、知识引导的、以及可解释的等一系列互补服装兼容性建模算法，可以为相关时尚电商平台提供商品推荐的优化方案。总之，该项目的开展涵盖了预计的研究范围，并在此基础上进行一定拓展，达到了预期的研究目的。