近年來,憑借著在內容生成方式和信息擴散速度等方面的優(yōu)勢,社交媒體（Social Media）得到了極大的發(fā)展,已經成為越來越多的人日常使用的信息分享和線上交互工具。有別于傳統(tǒng)的即時交互應用,社交媒體中用戶在線交互以消息為載體,使得用戶交互行為數(shù)據的內容和形式都極為豐富。對這種高質量用戶數(shù)據的分析和建模,可以揭示用戶在線行為背后蘊藏的用戶偏好和行為模式,為社交媒體個性化推薦提供更加豐富的支撐知識。當前,對用戶交互行為的研究多關注于信息在社交媒體中的傳播,且局限于對特定類型用戶行為的理解,使得已有行為模型和相關算法的應用范圍非常有限。此外,現(xiàn)有工作對影響用戶交互選擇的多樣化因素探索不足,忽略了文本、圖片等多模態(tài)內容信息,時間空間等上下文信息,以及情感傾向等用戶個性化特征對用戶交互的影響,在解決相應的預測和推薦問題時無法取得理想的效果。針對上述問題,本文以社交媒體中最具代表性且最常見的兩種用戶交互行為——“提及”和“轉發(fā)”——為研究對象,從大眾用戶的在線交互角度著手,以探索如何整合多類型的數(shù)據對用交互戶行為建模、實現(xiàn)不同場景下的用戶和內容推薦為核心研究目標,在三個具體方面對社交媒體用戶交互行... 

【文章來源】：武漢大學湖北省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：125 頁

【學位級別】：博士

【文章目錄】：
論文創(chuàng)新點
中文摘要
ABSTRACT
1 緒論
    1.1 研究背景
    1.2 研究內容與挑戰(zhàn)
        1.2.1 基于多模態(tài)內容的用戶提及行為建模與目標用戶推薦
        1.2.2 空間上下文感知的提及目標用戶快速推薦
        1.2.3 情感增強的動態(tài)用戶轉發(fā)行為建模與推薦
    1.3 研究貢獻
    1.4 論文組織結構
2 研究現(xiàn)狀與相關工作
    2.1 社交媒體用戶內容行為學習
    2.2 社交媒體用戶關系行為學習
    2.3 社交媒體用戶交互行為學習
3 基于多模態(tài)內容的用戶提及行為建模與目標用戶推薦
    3.1 引言
    3.2 基于多模態(tài)內容的用戶提及行為建模
        3.2.1 問題描述
        3.2.2 多模態(tài)提及主題模型
        3.2.3 模型推理
    3.3 MMTM 在目標用戶推薦中的應用
    3.4 實驗評測
        3.4.1 數(shù)據集與實驗設置
        3.4.2 評估指標和對比方法
        3.4.3 推薦性能表現(xiàn)
    3.5 本章小結
4 空間上下文感知的提及目標用戶快速推薦
    4.1 研究背景
    4.2 空間上下文感知的用戶提及行為建模
        4.2.1 問題定義
        4.2.2 建模動機
        4.2.3 模型結構
        4.2.4 模型生成過程
        4.2.5 模型參數(shù)估計
    4.3 提及目標用戶推薦
        4.3.1 快速提及目標用戶推薦
    4.4 位置數(shù)據稀疏性處理
        4.4.1 背景知識
        4.4.2 本地詞語識別
        4.4.3 用戶位置計算
    4.5 實驗與分析
        4.5.1 數(shù)據集
        4.5.2 評估指標和對比方法
        4.5.3 實驗結果與分析
            4.5.3.1 提及目標推薦有效性
            4.5.3.2 SCOMM參數(shù)敏感性分析
            4.5.3.3 提及目標推薦效率
            4.5.3.4 用戶居住位置推理
    4.6 本章小結
5 情感增強的動態(tài)用戶轉發(fā)行為建模與推薦
    5.1 研究背景和內容
    5.2 用戶轉發(fā)行為建模與推薦
        5.2.1 背景知識
        5.2.2 情感增強的動態(tài)用戶轉發(fā)行為模型
        5.2.3 SDRM 參數(shù)推理
        5.2.4 基于 SDRM 的轉發(fā)消息推薦
    5.3 實驗評測
        5.3.1 數(shù)據集與實驗設置
        5.3.2 實驗結果與分析
        5.3.3 參數(shù)影響分析
    5.4 本章小結
6 總結與展望
    6.1 研究總結
    6.2 未來工作展望
參考文獻
攻博期間發(fā)表的科研成果目錄
致謝


【參考文獻】：
期刊論文
[1]IP定位技術的研究[J]. 王占豐,馮徑,邢長友,張國敏,許博.  軟件學報. 2014(07)
[2]基于用戶行為的微博用戶社會影響力分析[J]. 毛佳昕,劉奕群,張敏,馬少平.  計算機學報. 2014(04)



本文編號：3090302