项目名称: 基于社会媒体异质关系挖掘的用户兴趣建模方法研究

项目编号: No.61501463

项目类型: 青年科学基金项目

立项/批准年度: 2016

项目学科: 无线电电子学、电信技术

项目作者: 郑楠

作者单位: 中国科学院自动化研究所

项目金额: 19万元

中文摘要: 随着社会媒体广泛渗入用户网络生活,互联网产生了大量内容丰富的异质信息,如形式多样的媒体协同与用户互动。深入分析这类异质信息,进而准确理解用户的意图和兴趣,有效实现个性化信息推荐,成为时下社会媒体应用和发展的关键。传统的用户兴趣建模方法假设个体间只存在单一关系,不利于处理异质数据,本项目旨在通过机器学习和社会网络分析方法,研究基于异质关系挖掘的用户兴趣建模方法。主要研究内容包括:(1)采用主题模型结合语义词典的方式实现文本语义挖掘,以概率的形式将词语转化为用户兴趣层次化主题描述;(2)通过概率模型将用户参与社区的行为映射为用户对主题的喜好程度,实现基于社区的用户兴趣描述;(3)通过社会网络分析方法分析用户好友网络的结构特征,深入分析用户间交互模式,理解用户兴趣倾向;(4)在模型学习的不同阶段融入适当的交互元素,提出改进的潜语义生成模型融合机制,提高协同推荐的准确率和可解释性。

中文关键词: 社会媒体;异质关系;用户兴趣建模;个性化服务

英文摘要: With the rapid development of social media, massive rich media information has been generated, such as complicated information association between users and multimedia content. How to effectively conduct data mining for accurate user modeling and recommendations becomes the key problem to the development of modern Internet. Traditional user interest models focus on learning user interests from single relation, which cannot be applied in social media. This proposal aims to construct user interest models using rich user interactive resources in social media based on machine learning and social network analysis. The key issues includes: (1) Research on text mining based on topic model and semantic dictionary for user modeling; (2) Research on community mining based on probability model and topic model; (3) Research on user network analysis based on social network analysis and structural properties investigation; (4) Designing recommendation models to fuse different elements to improve the accuracy and explanation.

英文关键词: Social Media;Heterogeneous Relation;User Modeling;Personalized Services

成为VIP会员查看完整内容
2

相关内容

CIKM2021 | 用于链接预测的主题感知异质图神经网络
专知会员服务
24+阅读 · 2021年11月3日
专知会员服务
17+阅读 · 2021年6月12日
专知会员服务
39+阅读 · 2021年4月5日
专知会员服务
32+阅读 · 2021年2月12日
【WWW2021】挖掘双重情感的假新闻检测
专知会员服务
36+阅读 · 2021年1月18日
专知会员服务
46+阅读 · 2020年12月20日
【2020新书】社交媒体挖掘,212pdf,Mining Social Media
专知会员服务
60+阅读 · 2020年7月30日
CIKM'21 | 自监督图神经网络在社会化推荐中的应用
图与推荐
3+阅读 · 2021年11月16日
【WWW2021】自监督多通道超图卷积网络
专知
3+阅读 · 2021年4月5日
基于深度学习的流行度预测研究综述
专知
0+阅读 · 2021年3月24日
【学界】融合对抗学习的因果关系抽取
GAN生成式对抗网络
15+阅读 · 2018年7月14日
【知识图谱】中文知识图谱构建方法研究
产业智能官
99+阅读 · 2017年10月26日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
Arxiv
14+阅读 · 2018年4月18日
小贴士
相关VIP内容
CIKM2021 | 用于链接预测的主题感知异质图神经网络
专知会员服务
24+阅读 · 2021年11月3日
专知会员服务
17+阅读 · 2021年6月12日
专知会员服务
39+阅读 · 2021年4月5日
专知会员服务
32+阅读 · 2021年2月12日
【WWW2021】挖掘双重情感的假新闻检测
专知会员服务
36+阅读 · 2021年1月18日
专知会员服务
46+阅读 · 2020年12月20日
【2020新书】社交媒体挖掘,212pdf,Mining Social Media
专知会员服务
60+阅读 · 2020年7月30日
相关资讯
CIKM'21 | 自监督图神经网络在社会化推荐中的应用
图与推荐
3+阅读 · 2021年11月16日
【WWW2021】自监督多通道超图卷积网络
专知
3+阅读 · 2021年4月5日
基于深度学习的流行度预测研究综述
专知
0+阅读 · 2021年3月24日
【学界】融合对抗学习的因果关系抽取
GAN生成式对抗网络
15+阅读 · 2018年7月14日
【知识图谱】中文知识图谱构建方法研究
产业智能官
99+阅读 · 2017年10月26日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
相关基金
国家自然科学基金
3+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员