基于用户标签和主题兴趣的社会媒体信息推荐研究

The widespread popularity of social media, accompanied by the massive growth of information on the Internet, gives rise to increasingly information overload and content fragmentation problems. It brings important research opportunities to information recommendation in social media. Existing research on social media information recommendation still faces two main challenges. On the one hand, there is no consistent definition of user interest. On the other hand, existing information recommendation frameworks lack the capability of deeply understanding and modelling user interest. This project targets the challenge of defining and understanding user interest from two perspectives: tags and topics, and recommends information on this basis. The former is long-term, explicit user interest, and the latter is short-term, implicit user interest. The key originalities and contributions are as follows. 1) This project proposes an integrated information recommendation framework that combines user tags and topic interest. In order to build a general and complete user interest model, we first automatically recommend user tags and model user topic interest based on the rich user information in social media, and then integrate it into a deep learning-based information recommendation framework. 2) For the task of user tag recommendation, to address the problem of feature sparsity and insufficient use of tag semantics in existing research, this project proposes a user tag recommendation approach based on text representation learning and tag semantic extension. 3) For the task of user topic interest modeling, to alleviate the difficulty of data annotation in approaches that model user topic interest in single platform, this project proposes a supervised topic modeling-based approach which can effectively model user topic interest across platforms.

社会媒体的广泛流行导致信息海量增长，进而引发信息过载、内容碎片化等问题，给社会媒体信息推荐带来重要研究契机。现有的信息推荐研究，一方面缺乏对用户兴趣的一致性定义，另一方面缺乏具备对用户兴趣深入理解和统一建模能力的信息推荐框架。本项目从用户标签和主题兴趣两方面定义和理解用户兴趣，在此基础上进行信息推荐，前者是长期的、显式的用户兴趣，后者是短期的、隐式的用户兴趣。项目主要创新点体现在三个方面：1）提出融合用户标签和主题兴趣的信息推荐方法，通过自动化的用户标签推荐和主题兴趣建模构建通用和完整的用户兴趣模型，并将其融合到基于深度学习的一体化信息推荐框架之中；2）对于用户标签推荐任务，现有研究存在特征稀疏和标签语义利用不足问题，提出基于文本表示学习和标签语义扩展的用户标签推荐方法；3）对于用户主题兴趣建模任务，现有研究存在用户标注数据获取困难问题，提出基于有监督主题模型的跨平台用户主题兴趣建模方法。

社会媒体的广泛流行导致信息海量增长，进而引发信息过载、内容碎片化等问题，给社会媒体信息推荐带来重要研究契机。现有的信息推荐研究，一方面缺乏对用户兴趣的一致性定义，另一方面缺乏具备对用户兴趣深入理解和统一建模能力的信息推荐框架。本项目从用户标签和主题兴趣两方面定义和理解用户兴趣，在此基础上进行信息推荐，前者是长期的、显式的用户兴趣，后者是短期的、隐式的用户兴趣。项目主要创新点体现在三个方面：（1）提出融合用户标签和主题兴趣的信息推荐方法，通过自动化的用户标签推荐和主题兴趣建模构建通用和完整的用户兴趣模型，并将其融合到基于深度学习的一体化信息推荐框架之中；（2）对于用户标签推荐任务，现有研究存在特征稀疏和标签语义利用不足问题，提出基于文本表示学习和标签语义扩展的用户标签推荐方法；（3）对于用户主题兴趣建模任务，现有研究存在用户标注数据获取困难问题，提出基于有监督主题模型的跨平台用户主题兴趣建模方法。本项目重点对用户标签推荐、用户兴趣建模、用户兴趣理解以及信息推荐多项关键技术进行攻关，并提出了新颖实用的算法：构建了基于文本表示学习的用户标签推荐模型，利用不同深度学习模型学习用户文本表示，克服标签推荐中特征稀疏性问题；构建了基于有监督主题模型的跨平台用户主题兴趣建模方法；构建了基于知识增强与知识蒸馏的用户意图理解模型，进一步深入理解用户意图和提升模型的效率；设计并实现了多元信息融合的一体化信息推荐框架，提出基于自动文本摘要和预训练语言模型的用户建模方法以实现更精准的用户信息推荐。受本项目的资助，我们取得了一系列的研究成果：累计发表学术论文11篇，其中 SCI 6篇，EI 5篇。申请国家发明专利4项（已授权2项，已实审2项），软件著作权4项，出版学术专著1部。共计培养硕士研究生12名，已毕业4名硕士研究生。