社会化媒体中若干时空相关的推荐问题研究-yinhongzhi

PEKINGUNIVERSITY1898博士学位论文题目：社会化媒体中若干时空相关的推荐问题研究姓名：阴红志学号：10948887院系：信息科学技术学院专业：计算机软件与理论研究方向：海量数据查询处理技术导师姓名：崔斌研究员二〇一四年四月北京大学博士学位论文–ii–版权声明任何收存和保管本论文各种版本的单位和个人，未经本论文作者同意，不得将本论文转借他人，亦不得随意复制、抄录、拍照或以任何方式传播。否则一旦引起有碍作者著作权之问题，将可能承担法律责任。–iii–北京大学博士学位论文–iv–社会化媒体中若干时空相关的推荐问题研究阴红志计算机软件与理论导师：崔斌研究员摘要随着信息技术和互联网的发展，互联网中的信息量呈指数规律迅速增长，本文已从信息匮乏时代进入了“信息爆炸”和“信息过载”的时代。此外，随着社会化媒体的兴起，比如社交网络服务（SNS）、基于位置的社交网络服务（LBSN）、微博以及各种移动端社会化媒体（比如微信、街旁等）的出现，从根本上动摇了搜索引擎赖以存在的生态基础，一方面信息和系统平台不再是自由和开放的，另一方面信息本身也越来越多的被用户体验所替代。此外，社会化媒体使得互联网越来越真实化，线上的数据和线下的人们的活动已经开始走向融合。传统的搜索技术是无法有效地整合社会化媒体中私有的、带个人色彩的线上数据和线下活动，迎接网络的真实化的。在互联网这种大趋势下，社会化媒体营销（SocialMediaMarketing）已成为众商家最重要的营销手段之一，从而为推荐系统的发展提供了前所未有的市场机会和应用前景。推荐系统一方面能够帮助用户做出选择，发现他们感兴趣的、有价值的物品和线下服务，改善用户体验；另外一方面让物品和服务通过社会化媒体平台展现给对它们感兴趣的用户面前，从而实现用户和物品提供商的双赢。近年来，依托于机器学习和数据挖掘技术，推荐系统在理论和实践上都获得了很快发展，但是由于缺乏对用户行为相关的时间信息、空间信息以及时空信息的挖掘和利用，导致现有的推荐方法对用户在时空背景下的行为建模不够精准，所以社会化媒体中还存在很多时空相关的推荐问题需要解决，比如“时序背景感–v–摘要北京大学博士学位论文知的推荐”、“异地推荐”和“基于位置的实时推荐”等。为了能够解决这些问题，本文分别通过挖掘时间信息、空间信息以及时空信息，设计和提出了一系列新的集成了这些上下文信息的用户模型和推荐算法，用来改善和提高社会化媒体中的推荐效果以及用户体验。具体来讲，本文的主要工作和贡献如下：1.时序背景感知的推荐：社会化媒体的风靡为研究人员分析用户行为和喜好提供了良好的机会。通过对用户在社会化媒体中的行为的分析，本文发现用户的行为不仅仅受个人兴趣影响（内因），还与用户当时所处的社会背景有关（外因），并且用户在不同的社会化媒体平台上受这两个因素的影响大小是不一样的。基于此发现，本文提出了时序背景感知的混合模型TCAM（TemporalContext-AwareMixtureModel）来建模用户的时序动态的行为。在该模型中，不仅仅考虑了用户兴趣，还考虑了随时间变化的社会背景–时序背景。在实验中，本文将TCAM模型部署在了时序推荐场景中，并在四个不同的社会化媒体数据集上对其进行了评测，实验结果表明该模型在用户行为建模、时序推荐、用户行为分析以及话题发现等应用中表现出色。2.异地推荐：随着社会化媒体的发展，尤其是基于位置的社交网络（LBSN）的盛行和O2O商业模式的出现，为了能够满足用户在异地，尤其是新的城市，对于推荐的需求，本文提出了位置、内容感知的推荐系统LCARS（Location-Content-AwareRecommenderSystem）。由于用户的行为历史大部分都留在了他们生活、工作的城市，所以异地空间物品推荐要求推荐系统能够将在一个城市学到的用户兴趣迁移到另外一个城市。同时，用户在不同的城市，他们的行为模式和兴趣很有可能发生变化，这是异地推荐面临的另外一个挑战。为了解决这些问题，LCARS系统以空间物品的内容为媒介，将用户兴趣实现跨城市迁移；此外，该系统通过挖掘当地喜好，可以有效解决用户兴趣和行为模式漂移的问题。为了加速在线推荐的响应速度，本文提出了基于TA算法的快速top-k查询处理技术和近似top-k查询处理技术。实验结果表明LCARS大大改善了空间物品推荐的精准度，尤其是异地推荐的效果，而且LCARS系统在线推荐效率和响应速度远远高于现有的基于位置的推荐算法。3.基于位置的实时推荐：移动端社会化媒体的发展，比如移动端的各种LBSN服务、Twitter和微信等，为本文研究用户在物理世界中的行为活动、移动–vi–北京大学博士学位论文规律提供了丰富而又真实的数据。通过对移动端社会化媒体上用户实时签到数据的分析，发现人们在现实世界中的行为决策过程是一个极其复杂的过程，受到多种因素的影响，比如地理环境（GeographicalInfluence），时间因素，用户兴趣以及物品的口碑等。为了对用户在时空背景下的行为建模，本文提出了一个联合概率生成模型JUMAI，该模型巧妙地将各种因素进行了综合考虑。为了能够根据用户所在的位置和时间做出实时推荐，本文将离线和在线任务进行了有效的分配。实验结果表明基于JUMAI模型的推荐算法在基于位置的实时推荐场景中获得了很好的推荐效果。此外，实验结果还表明JUMAI模型探测出的话题语义连贯一致，质量很高，并且可以通过话题在时间上的分布来分析人们的日常生活模式。关键词：社会化媒体、推荐系统、用户建模、时空上下文感知–vii–摘要北京大学博士学位论文–viii–KeyTechnologiesforSpatio-TemporalRecommendationonSocialMediaHongzhiYin(ComputerSoftwareandTheory)DirectedbyProf.BinCuiAbstractWiththedevelopmentofinformationtechnologyandtheInternet,theamountofinformationavailableincreasesexponentially,leadingtothe“informationexplo-sion”and“informationoverload”.Moreover,withtheriseofsocialmedia,suchassocialnetworkingservice(SNS),location-basedsocialnetworkingservice(LBSN)andmobilesocialmedia(e.g.,weixin),theecosystemonwhichsearchenginesrelyforexistencehasbeenfundamentallyshaken.Foronething,mostoftheinformationonsocialmediaisnolongeropenandfree;foranother,theinformationitselfisgrad-uallybeingreplacedbyuserexperience.Besides,theonlinedataonsocialmediaandpeople’sofflineactivitieshavegraduallybecomeintegrated.Theconventionalsearchtechnologyisunabletoeffectivelyintegratethepersonalonlineprivatedatawithpeople’sofflineactivities,whilethistrendprovidesanunprecedentedmarketopportunitiesandapplicationscenariosfortherecommendersystemassocialmediamarketinghasbeenwidelyadoptedbymoreandmorebusinesses.Foronething,therecommendersystemcanhelpusersmakechoicesbyprovidingusersinterest-ingitemsandservices;foranother,therecommendersystemcanhelpthebusinesspushtheiritemstotherightusers.Thewin-winsituationcanbeachievedbytherecommendersystem.–ix–Abstract北京大学博士学位论文Withtheadvancementofmachinelearninganddataminingtechnology,thedevelopmentoftherecommendersystemhasbeensuccessfulinbothresearchandapplication.However,duetolackofdeepunderstandingandmodelingofpeople’sbehaviorsinthespatio-temporalcontext,therearestillanumberofchallengingresearchproblemsontemporalor/andspatialrecommendationforsocialmedia,suchas“temporalcontext-awarerecommendation”,“recommendationforout-of-townusers”and“location-basedandtime-awarerecommendation”.Toaddressthesechallenges,thisdissertationexploitstimeinformation,locationinformationandspatio-temporalinformationforusermodelingonsocialmedia.Themaincon-tributionsofthisdissertationaresummarizedasfollows:•TemporalContext-AwareRecommendation:Socialmediaprovidesvaluablere-sourcestoanalyzeuserbehaviorsandcaptureuserpreferences.Weanalyzeduserbehaviorsinsocialmediasystemsanddesignedalatentclassstatisticalmixturemodel,namedtemporalcontext-awaremixturemodel(TCAM),toaccountfortheintentionsandpreferencesbehinduserbehaviors.Basedontheobservationthatthebehaviorsofauserinsocialmediasystemsaregen-erallyinfluencedbyintrinsicinterestaswellasthetemporalcontext(e.g.,thepublic’sattentionatthattime),TCAMsimultaneouslymodelsthetopicsrelatedtousers’intrinsicinterestsandthetopicsrelatedtotemporalcontextandthencombinestheinfluencesfromthetwofactorstomodeluserbehaviorsinaunifiedway.Theexperimentalstudiesdemonstratedthesuperiorityoftheprop