基于广义内容分析的社会媒体多层次资源推荐模型研究

A recommender system concerns with two main components which are users' interest analysis and recommended information selection. The rich information resources and plenty of user communities with various topics in social media provide broader space for the analysis and selection. In social media based recommendation, the analysis and selection require analyzing all the contents including visual and aural features, semantic information, and meta-data. In this project, we define the above contents as broad-sense contents, and classify the social media resources into single, compositive, comprehensive, and sub-resource categories. We aim to study on social media multi-level resource recommendation based on broad-sense content analysis. For foundation architecture, the broad-sense content analysis approach is explored. For users' interest analysis, our studies include constructing user-resource heterogeneous information network, discovering user communities, and mapping user community topics into the users' interest profiles. For resource selection, our research focuses on mining other categories of resources based on single resources, modeling multi-level resource with conditional correlation, and identifying the quality of the resources. For the model application, we aim to study on the resource matching and recommendation approach based on above models. This work can both reflect the characteristics in recommending multi-level resource proposed in our project and emphasize the user social relationship in the current social media researches. Finally, we will implement prototype systems based on current mainstream social media for showing above characteristics.

推荐系统包括用户兴趣分析和推荐信息选择两个主要部分，社会媒体中丰富的信息资源和不同主题的用户社群为此提供了更广阔的分析和选择空间。在基于社会媒体的推荐中，上述分析和选择需要包括视觉和听觉特征、语义信息、元数据等所有内容的分析。本课题将这些内容统称为广义内容，将社会媒体资源划分成单一、复合、综合资源及子资源，研究基于广义内容分析的社会媒体多层次资源的推荐。基础方面，研究广义内容分析方法；用户兴趣分析方面，研究用户-资源异构信息网络构建、用户社群发现及社群主题向用户兴趣模型的映射；资源选择方面，研究基于单一资源的其它层次资源挖掘、表达条件相关性的多层次资源模型构建以及资源的质量标识；模型应用方面，研究基于上述模型的资源匹配和推荐方法。这些工作既体现了本课题提出的多层次资源推荐的特点，又融合了当前社会媒体研究中注重用户关系的特点。本课题最终将基于现有主流社会媒体实现对应的原型系统表明上述特点。

任何推荐系统均包括用户兴趣分析和推荐信息选择两个主要部分。由于社会媒体中存在丰富的信息资源和不同主题的用户社群，因此，在社会媒体资源推荐中，用户兴趣分析和推荐信息的选择需要包括不同模态、不同粒度资源内容的分析。本课题将这些内容统称为广义内容，同时从用户、资源两方面的内容及关系予以考虑，研究基于广义内容分析的社会媒体多层次资源的推荐。. 社会媒体的资源推荐是面向用户的，所以需要基于社会媒体内容进行用户画像和资源画像的构建。因此，本课题研究涉及社会媒体中的用户之间关系、资源之间关系、用户与资源之间关系的分析和度量。就社会媒体这一平台而言，上述关系均包括事实关系（基于存在的事实来度量关系）和情感关系（基于对某一事件或话题的态度、观点或情感倾向来度量关系）。. 基于上述分析，4年来，本课题在“社会媒体多模态资源内容分析”、 “社会媒体资源与用户情感分析”、“社会媒体资源与用户社区发现”方面进行研究，以支持资源、用户及其关系度量；在“社会媒体多模态资源搜索与推荐”方面进行研究，以支持资源推荐。应用自然语言处理、多模态数据处理、矩阵分解、图论、深度学习和数据挖掘等技术在个性化情感分析与推荐、多模态资源内容分析与推荐、社会媒体实体关系建模等方面取得了相应的研究成果。在国内外各种学术会议和期刊上发表了学术论文37篇（不包括录用和未标注者），其中包括顶级国际学术会议IJCAI2017、SIGIR2016、WWW2016、IJCAI2015、EMNLP2013和重要国际学术期刊WWW J及国内计算机科学领域顶级期刊“计算机学报”的学术论文，被SCI收录3篇次、EI收录31篇次。申请发明专利1项（已受理）。. 包括课题负责人在内的3名教师参与了本课题的研究工作，培养了博士研究生8人（2人已毕业，2人即将毕业，4人在读），硕士研究生11人（均已毕业）。先后邀请国内外学者20余人次来学校、学院和课题组做学术报告，公派1名博士研究生去悉尼科技大学联合培养，先后有教师和学生70人次参加国内外各种学术会议并发表论文。