基于深度神经网络的社会媒体用户情感及兴趣挖掘方法研究

The large amount of social media data makes it extremely difficult for users to keep track of public opinions and their interested information. Therefore, how to mine and summarize opinions and user interest automatically and accurately becomes a very important and challenging research topic. In this project, based on the latest techniques of deep learning, data mining, business intelligence and research work we have done, we will focus on developing various techniques to mine users’ opinion toward hot event and user interest by exploring lower dimensional vector for word, document and graph node based on deep neural networks. The primary contents of this project are as follows: Convolutional Neural Networks (CNN) -based opinion summarization method, which applies CNN to automatically mine useful features, semantic relationships among features are computed according to a hybrid ranking function, and finally, representative opinion sentences that semantically related to the features are extracted using Maximal Marginal Relevance and neural attentiom model; a novel rating prediction method, which improves the prediction accuracy by capturing deep semantics of content and alleviating data missing problem of aspect ratings; users’ multiple interests prediction method by learning users’ latent representations from interactive networks and taking into consideration the weight information of the link based on constrained DeepWalk; user-oriented similar and outlier interests group detection method. Based on these new methods, we will design a novel prototype for opinion and user interest mining from social media. This research will further enrich and extend theoretical foundations and various application fields of deep learning techniques in sentiment analysis and user modelling for social media, and have much value on theoretical and practical applications.

信息的爆炸式增长使得自动挖掘用户观点并概括总结，增强观点的语义描述性和可理解性，准确挖掘用户兴趣变得尤为重要。本课题拟在课题组已有研究成果基础上，借鉴深度学习、数据挖掘、商业智能等领域的最新成果，探索从词向量、文档向量以及网络节点向量的有效表示方法学习方面增强情感及用户兴趣的语义深层次挖掘能力，提高社会媒体用户情感及兴趣挖掘预测质量。主要内容包括：研究词向量表示及关联学习的用户情感摘要挖掘方法；研究融合句子向量表示与分项评分的用户评分预测方法；研究基于网络节点向量表示的用户多兴趣预测方法；研究以用户为中心的交互网络中同步挖掘相似与例外用户兴趣群组的方法；在此基础上，研制一个社会媒体用户情感及兴趣挖掘原型系统。本课题的研究将进一步丰富和拓展深度学习在社会媒体情感分析及用户建模中的应用，对促进社会媒体信息服务的发展有重要的理论意义和实际应用价值。

信息的爆炸式增长使得自动挖掘用户观点并概括总结，增强观点的语义描述性和可理解性，准确挖掘用户兴趣变得尤为重要。本课题在课题组已有研究成果基础上，借鉴深度学习、数据挖掘、商业智能等领域的最新成果，探索从词向量、文档向量以及网络节点向量的有效表示方法学习方面增强情感及用户兴趣的语义深层次挖掘能力，提高社会媒体用户情感及兴趣挖掘预测质量。主要研究了如下内容：1)研究了基于词向量及词关联的观点文摘生成方法，基于卷积及池化操作自动识别特征，设计了基于特征图的排序模型以发现特征之间的关联，采用词语移动距离等方法实现情感文摘抽取，可更好地描述观点的语义及增强观点的可解释性，便于更好地理解用户的观点。2)借鉴认知心理学中的局部-全局学习、认知负荷等理论，研究了融合分项评分的层级注意力神经网络模型，在词语、句子层面引入分项注意力机制，生成内容的增强向量表示。实验结果表明，融合产品的分项属性信息有助于更全面地理解用户的评分行为模式。3)研究了从考虑用户关联强度、融合用户交互网络及内容语义两种视角分析用户多兴趣的方法。通过挖掘出用户的多个兴趣，为其提供更多元化的信息服务。4)研究了基于热扩散过程的兴趣群组发现方法，将用户先验知识引入数据自编码与重构中，设计融合用户偏好的扩散核函数学习节点的隐含向量表示，使得群组发现结果更具备个性化特点。在上述研究基础之上，研制了社交媒体用户情感及兴趣挖掘原型系统，在面向事件的情感分析、群组行为模式分析方面验证了所提方法的有效性和实用性。本课题的研究进一步丰富和拓展了深度学习在社会媒体情感分析及用户建模中的应用，对促进社会媒体信息服务的发展有重要的理论意义和实际应用价值。