近年來,我們已經(jīng)見證了社交媒體的快速發(fā)展,越來越多的用戶參與其中。隨著用戶參與話題的火熱,找出用戶感興趣的話題成為了一個急需解決的問題。通過為用戶推薦話題可以為很多下游應用帶來好處,比如商品推薦,在線精準營銷,增加客戶黏性,甚至是疾病傳播預測和公共衛(wèi)生監(jiān)測。但是,目前話題的推薦方法,主要是分析用戶的文本內(nèi)容來推斷他們感興趣的話題,或者是簡單地給用戶推薦好友喜歡的話題,這些方法通常不能全面地考慮用戶特征,從而導致推薦效果欠佳。在本文中,我們首先從主流的社交平臺收集數(shù)據(jù),包括微博,知乎,豆瓣和推特。采用經(jīng)典的主題模型LDA來量化內(nèi)外因素對用戶話題分布的影響。結果顯示,大部分用戶的興趣,與其過去的偏好以及好友的偏好是相似的�；谶@個發(fā)現(xiàn),我們?nèi)诤狭擞脩舻臍v史文本內(nèi)容和用戶好友的社交關系來建立模型,給用戶推薦未來可能會參加的話題。我們形式化引入多標簽分類來建立模型,其中用戶的文本內(nèi)容和網(wǎng)絡結構被聯(lián)合用于提取用戶的話題偏好。我們提出的方法主要由兩個組件構成:（1）用戶文本嵌入（2）網(wǎng)絡嵌入。它們被結合起來學習用戶的內(nèi)在和外在偏好。為了更加有效地學習,我們通過局部敏感哈希把連續(xù)的特征嵌入轉為二進制... 

【文章頁數(shù)】：85 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究工作的背景與意義
    1.2 國內(nèi)外相關研究現(xiàn)狀
    1.3 論文的主要研究內(nèi)容
    1.4 論文的結構安排
第二章 相關原理及技術
    2.1 神經(jīng)網(wǎng)絡與深度學習
        2.1.1 深度學習
        2.1.2 卷積神經(jīng)網(wǎng)絡
        2.1.3 常用的神經(jīng)網(wǎng)絡框架
    2.2 網(wǎng)絡表示學習
        2.2.1 基于矩陣分解的方法
        2.2.2 基于詞向量的方法
        2.2.3 基于圖卷積的方法
    2.3 局部敏感哈希技術
        2.3.1 局部敏感哈希介紹
        2.3.2 隨機平面哈希方法
    2.4 深度學習的可解釋性
    2.5 本章小結
第三章 社交媒體用戶數(shù)據(jù)分析
    3.1 數(shù)據(jù)描述
        3.1.1 數(shù)據(jù)獲取
        3.1.2 數(shù)據(jù)處理
    3.2 相關術語介紹
        3.2.1 LDA主題模型
        3.2.2 KL散度
    3.3 用戶文本內(nèi)容數(shù)據(jù)分析
        3.3.1 用戶參加話題與文本內(nèi)容的關系
        3.3.2 用戶文本內(nèi)容數(shù)據(jù)分析
    3.4 用戶社交網(wǎng)絡數(shù)據(jù)分析
        3.4.1 用戶參加話題與社交網(wǎng)絡的關系
        3.4.2 用戶社交網(wǎng)絡數(shù)據(jù)分析
    3.5 本章小結
第四章 基于卷積神經(jīng)網(wǎng)絡的用戶話題推薦
    4.1 問題定義
    4.2 用戶話題推薦算法
        4.2.1 用戶文本內(nèi)容特征建模
        4.2.2 用戶社交網(wǎng)絡特征建模
        4.2.3 用戶特征融合
        4.2.4 用戶特征卷積和話題推薦
        4.2.5 話題推薦算法總結
    4.3 模型的可解釋性
    4.4 本章小結
第五章 算法評估與實驗結果分析
    5.1 實驗設置和數(shù)據(jù)集
        5.1.1 實驗參數(shù)設置
        5.1.2 數(shù)據(jù)集介紹
    5.2 對比方法和評價指標
        5.2.1 對比方法
        5.2.2 評價指標
    5.3 實驗結果分析
        5.3.1 算法結果對比
        5.3.2 網(wǎng)絡結構對話題的影響
        5.3.3 模型的收斂性
        5.3.4 局部敏感哈希效果分析
        5.3.5 模型的可解釋性
    5.4 本章小結
第六章 總結與展望
    6.1 本文總結
    6.2 未來展望
致謝
參考文獻
攻讀碩士學位期間取得的成果


【參考文獻】：
期刊論文
[1]圖書情報學視角的Web2.0研究綜述[J]. 牛婧.  現(xiàn)代職業(yè)教育. 2018(01)
[2]移動互聯(lián)網(wǎng)研究綜述[J]. 吳吉義,李文娟,黃劍平,章劍林,陳德人.  中國科學:信息科學. 2015(01)



本文編號：3656888