基于深度循环神经网络的社交网络情感建模研究

This project combines deep learning with social networks and affective computing, and explores new methods and new technologies to establish the affective model of social networks by adopting Deep Neural Networks. The motivation is to improve the analysis accuracy, to reduce dependence on priori assumptions, to lighten the load and reduce the bias of the artificial affective model and to enhance the universality of all kinds of different network data. In the beginning of the model, the automatic filtering and mining of social network data is studied. The application of the proposed model can be the recommendation system. The main contents include: (1) heterogeneous data processing of social networks based on attention model; (2) Long-term memory model based on deep LSTM, which studies the sub-network selection, deep LSTM structure and the large network structure of social networks; (3) recommendation algorithm based on the established affective model and reinforcement learning. In details, this project will build an affective model with long-term memory and no prior knowledge, which models vast amounts of user data and interpersonal relationship data, establishes the LSTM model for time series. This work can promote the research on user behavior analysis and prediction, can be used in personalized recommendation and targeted advertising. So the project has the wide academic meaning and application prospect.

本项目将深度学习与社交网络、情感计算相结合，探索利用深度神经网络进行社交网络情感分析建模的新方法和新技术，提高分析的准确度，降低对先验假设的依赖，减轻人工情感模型的工作量和偏差，增强对不同网络数据的普适性；对海量数据进行自动筛选和挖掘供深度模型使用；探索模型在推荐上的应用。主要研究内容有：基于注意力模型的社交网络异构数据处理；基于深度LSTM的长时记忆建模，研究子网络选取、深度LSTM设计、和针对社交网络的大型网络结构设计；基于社交网络情感模型和强化学习的推荐算法。研究具有长时记忆的非先验情感预测方法，对网络中海量的用户数据、人与人之间关系进行建模，为关联时间序列创建LSTM模型，并结合它们之间相互关系融入统一的大型深度循环网络中，是本项目的核心问题。研究成果促进了深度学习与情感计算的结合，可推动网络用户行为分析和预测的研究，用于个性化推荐、定向广告等领域，具有广泛的学术意义和应用前景。

本项目将深度学习与社交网络、情感计算相结合，探索利用深度神经网络进行社交网络情 感分析建模的新方法和新技术，提高分析的准确度，降低对先验假设的依赖，减轻人工情感模型的工作量和偏差，增强对不同网络数据的普适性；对海量数据进行自动筛选和挖掘供深度模型使用；探索模型在推荐上的应用。主要研究内容有：（1）基于注意力模型的社交网络异构数据处理，提出了图像特征的提取方法、基于时间敏感tf-idf的关键词提取方法、动作隐喻的分析方法、用于模型优化的可视化方法。（2）基于深度LSTM的长时记忆建模，研究了具有长时记忆的非先验情感预测方法，对网络中海量的用户数据、人与人之间关系进行建模，为关联时间序列创建LSTM模型，并结合它们之间相互关系融入统一的大型深度循环网络中。研究了子网络选取、深度LSTM设计、针对社交网络的大型网络结构设计、语音的情感建模、社交网络图像情感预测、服装图像的情感预测、社交网络深层结构挖掘、社交网络用户行为预测等。（3）基于社交网络情感模型和强化学习的推荐算法，将该推荐算法应用于情感化设计，将基于深度循环神经网络的社交网络情感模型用于交互装置设计，并与虚拟现实技术结合，提出了基于用户行为分析的大规模场景实时渲染方法，并应用于VR三维数字工厂。相关研究成果发表论文13篇，其中SCI检索3篇、EI检索8篇、核心期刊2篇，出版著作1部、译著2部，申请发明专利5项，授权软件著作权4项，参加多次国内外学术交流。研究成果应用于情感化设计和工业领域，节省了人力物力，带来了直接的经济效益，并作为本科生和研究生的课堂教学案例，在MOOC平台上发布。研究成果促进了深度学习与情感计算的结合，可推动网络用户行为分析和预测的研究，用于个性化推荐、情感化设计等领域，具有广泛的学术意义和应用前景。