基于多粒度的用户影响力优化模型研究

Social media has become a new marketing platform. It is featured by its huge attention and powerful propagation effect. Through effectively mining and accurately expressing a large amount of behavioral data generated by users, getting the intrinsic association of relationships and preferences, it can be achieved the precise recommendation in social media environment. In the state of art works, the research on preferences and influence are carried out independently. However, the research on associated mining between preferences and relationships is seldom. Through structured representation of unstructured data, quotient space theory can obtain abstractly deep description of relationships which is easy to optimize. The main research in this project include getting the multi-granular structural with user preferences by utilizing granular context-aware data and constructing the model of influence optimization by quotient approximation method. Specific research contents are as follows: (1) Implicit context-aware preferences are mined to realize topic extraction and attribute classification. The structured expression of relationships based on attribution will be given. (2) The multilayer granulation of relationship network will be given through the structure feature. The model of multilayer influence based on quotient space granular transform theory will be proposed. (3) The algorithm of multi granulation influence optimization based on quotient approximation method under the constraint of objective function will be proposed firstly, and then it will be further applied into the real problems

社交媒体凭借其关注度和传播效应上的巨大优势业已成为新兴的营销平台。通过对用户产生的大量行为数据的有效挖掘和准确表示，获取到用户关系和用户偏好之间的内在关联，可以实现社交媒体环境下的精准推荐。目前大多数用户偏好获取和用户影响力的研究是独立进行的，缺乏用户偏好与用户关系关联挖据的有效方法。商空间理论通过对非结构化数据的结构表示，实现关系抽象深层表示，便于问题求优。本项目主要研究利用上下文信息粒化，获取用户主题偏好下的用户关系的多层粒化结构，构建商逼近方法近似求解用户影响力最优的模型。具体的研究内容如下：（1）挖掘上下文信息隐藏的用户偏好信息，实现主题提取和属性分类，给出基于属性的用户关系结构化表示。（2）基于多粒度结构特征，实现对用户关系网络结构的分层递阶粒化，提出商空间粒变换的用户影响力多层粒化模型。（3）基于商逼近理论提出目标函数约束下的多粒度用户影响力求优算法并应用于实际问题求解中。

本项目根据商空间理论对非结构化数据进行结构表示，实现关系抽象深层表示，主要研究上下文信息粒化，获取用户偏好、构建了基于粒化思想的用户偏好挖掘；构建了使用近似方法快速求解的用户影响力最优的模型；并将相关理论用以解决推荐问题、链路预测问题和影响力最大化问题。.（1）社交网络链路预测相关算法研究.以链路预测作为研究目标，通过对结构化数据中近邻关系、强连接关系、群落聚集结构的研究，获取其对节点间关系识别与影响力描述的作用；对于非结构化数据采用图像信息补全的方法求解，扩展了节点间关系描述的研究思路。.（2）影响力最大化算法研究.引入了局部概率解节点集影响力评价策略近似代替蒙特卡洛模拟，在影响力最大化问题的精度和效率两方面取得较好的平衡；通过构建多目标函数获得影响力最大化和成本开销最小化的影响力寻优算法。.（3）粒计算于推荐算法、链路预测算法相结合若干研究.使用三支决策作为粒计算的典型研究方法，以商品推荐任务为研究对象，以用户评分是否公平划分正域、负域和边界域，给出了粒计算求解推荐问题的一般可行性思路；使用信息粒对用户的历史信息进行分类，构建多粒度交互信息融合，给出了多粒度结合深度学习方法求解推荐问题的求解思路；利用多粒度模型扩大神经网络感受野解决过平滑问题，给出了多粒度结合神经网络进行非线性信息挖掘的求解思路。.（4）细粒度上用户偏好挖掘的若干研究.通过对结构化数据的建模，融合多种模型、使用注意力机制，自我注意力机制、变分自编码器等挖掘出用户更丰富的隐含的非线性交互信息、用户在自身特征或商品属性上的偏好信息、用户在噪音环境下的偏好信息等，设计出用户更细粒度的偏好信息挖掘算法，从而产生更好的推荐结果；