用户自适应的社会标签生成和优化模型研究

Social tagging, which is an important means of annotating Web information resource in Web 2.0, should accurately reflect users' deeply understanding to the resource. This project aims to study the adaptive model of generation and optimization of social tags, by which the most matching tags for a specific user could be generated with a given webpage. With this aim, we plan to conduct the study from the following aspects: Firstly, a user-annotated corpus with a certain scale should be constructed, and the Probabilistic Generative Model should be designed and trained for simulating the user's annotating process to the given document. In this way, the degree of the user's preference to the tags could be deduced. Besides, the model would be introduced with the temporal factor, which could help tracking and finding the real-time interest of the user. Secondly, when generating tags for the new webpage, we extend the given webpage based on Wikipedia and train set, and then generate a tags tree. And then, we obtain the user's degree of preference using the well-trained generative model. By tags tree and generative model, we generate a set of perfect tags using Multi-Objective Optimization Algorithm. These objectives include three factors: the user's preference of the tags, the redundancy of the tags and the rate of coverage to the topics. Lastly, in consideration of the adaptability of model, the feedback mechanic is also adopted in the model.The research of this project is significant impact on improving the quality of web information retrieving, capturing hot topics on the Internet and enhancing the accurate matching rate of the webpage, users and the advertisement when the research is applied in the computational advertising.

标签是Web 2.0下用户标注网络信息资源的重要手段，应准确地体现用户对资源的高度理解。本项目旨在研究用户自适应的社会标签生成和优化模型，以便能够对特定网页生成最合适当前用户背景的标签。为此，拟从以下几个方面展开研究：首先，建立一定规模的用户标注语料库，并设计和训练概率生成模型来模拟用户对特定文档的标注过程，以此推导出用户对标签的偏好程度，该模型还将考虑时态因素，以反映用户的实时兴趣；然后，对新网页标注时，借助维基百科和训练集进行对网页扩展，生成标签树，再利用训练好的生成模型获取用户对标签的偏好程度，并综合考虑用户的偏好度、标签之间的冗余度以及主题的覆盖度，采用多目标优化技术产生一组理想的标签；最后，考虑到标签的自适应性，反馈机制也纳入模型研究之中。本项目的研究对于提高Web信息检索质量，捕获Web信息中的热点话题以及应用到计算广告学中提高网页、用户和广告三者的精确匹配都有着重要意义。

社会标签对于信息资源的有效组织和管理、信息的快速传播和共享及用户及时获取更加准确可靠的信息都有重要意义。本项目围绕用户自适应的社会标签（简称标签）生成和优化模型展开研究，从标签抽取、用户内容联合标注模型、基于标签的用户兴趣社区挖掘、基于标签推的荐模型研究、社会标签的应用研究五个方面入手，具体研究了标签抽取和标签模型的建立、基于用户-内容联合的标注模型、基于LDA的标签推荐时序演化模型、基于标签的复杂网络的社区挖掘、基于标签传播的推荐模型、基于属性提升与偏好集成的上下文感知推荐研究、基于情感标签的情感分类、基于情感标签的销量预测模型、基于人口属性标签和兴趣标签构建人群定向模型等科学问题。.本项目通过对标签抽取和标注模型的研究，使得对于某个文档，针对不同的阅读用户，该模型将产生既能刻画网页的主要内容，又能匹配用户背景和可能兴趣的标签；通过挖掘复杂网络的社区结构，发现网络数据中隐含的知识信息，分析复杂网络数据的潜在规律和事物的本质特性，可以利用这些信息来指导社会、经济和商业等方面的决策，本项目提出的效率高、准确度高的社区发现算法，能够在线地、实时地挖掘出网络的社区结构，可广泛应用于在线的好友推荐、人物分析和商业广告精准投放等；通过基于标签的推荐模型的研究，挖掘上下文推荐中丰富的属性信息，对属性进行精确地建模，设计出一种偏好集成方法把属性提升得到的用户兴趣进行合理地整合，提升了表达用户偏好的能力，最终达到多角度反映用户偏好的目的，这种方法可以应用于推荐引擎的离线训练，对解决实际系统的推荐任务是有深远意义的；本项目在标签模型的应用方面，主要通过挖掘文本资源中的标签来提高复杂文本的情感分类，并通过用户的各种标签来研究人群的偏好，提出基于用户各种标签(如人口属性，兴趣类别等)的方法来提高人群推荐的质量，使推荐人群在广告投放中能够获取到较好的投放效果。