基于主题和大众影响的用户动态行为倾向预测.docxVIP

社会定向目前，在众多融合社交网络信息的应用研究中，最成功案例是社交网络信息在推荐系统(Liu and Lee)中的应用—社会推荐。社会推荐的基本思想是基于Homophily理论(McPherson, Smith-Lovin et al.)—社交网络朋友之间存在多个维度上的相似性，如用户属性相似、爱好相似等。社会信息通过两种方式加入到推荐模型：(1) 将社会信息转换为社会特征融入推荐模型(Guy, Zwerdling et al.)；(2) 将社会信息转换为社会意识项加入到推荐模型(Ma, Zhou et al.)。在广告研究领域，也有一些研究人员将社会信息应用到行为定向广告任务中，称为社会定向，其基本思想是朋友之间浏览或点击的广告具有一定的相似性。鉴于此思想，Liu Kun等(Liu and Tang)从社交网络信息中抽取多个社会特征(如点击广告的用户名、该用户邻居节点中点击某类广告的比例等)，结合从历史行为数据中抽取的行为特征共同输入分类模型(SVM)，以建模用户是否点击了某类广告，其本质同样是将用户按兴趣分类(Timothy Kendall)(Bagherjeiran and Parekh)(Melville, Rosset et al.)(Guy, Zwerdling et al.)。相比于只使用用户历史行为数据的传统行为定向方法，他们以实验表明将社交网络信息以社会特征的形式融入历史行为数据的行为定向方法的性能有一定程度的提升。这些方法很巧妙的将社会信息融入行为定向研究中，但是如何抽取好的社会特征是该类方法面临的主要难题。对比于推荐系统，在行为定向领域，还没有工作考虑将社会信息以约束项的方式融入到行为定向问题中，这正是本研究的出发点。本章小结用户的历史行为信息包括搜索历史、网页浏览历史、广告点击和交易历史等，研究表明这些行为数据具有稀疏性、实时性和海量的特点，如何针对这些特点设计更好的行为定向方法已成为研究界和工业界面临的主要难题。本章针对行为数据具有稀疏性这一特点，提出一种新的融合社会信息与用户历史行为信息的行为定向方法。该方法的基本思想是基于Homophily理论：朋友之间对某一事物的喜好或态度具有一定的相似性，单个用户对该事物的喜好可通过其朋友们对该事物的态度来判断。首先将行为定向看作一个优化问题—采用泊松回归建模用户对广告的浏览和点击次数，并通过使数据似然最大的方法构建目标函数；然后将社交网络的朋友关系数据抽象为社会正则项，并将该正则项作为优化问题的一部分，以建模朋友之间的相互影响。我们根据朋友们喜好的相似度差异提出两个社会正则项：均值正则项—朋友们的喜好相似度较高；个体正则项—朋友们的喜好相似度差异较大。将这两个社会正则项分别加到上述优化问题中，对应均值模型和个体模型。实验表明这两个模型的性能要优于传统的只使用用户历史行为信息的行为定向方法；尤其当用户的历史行为数据稀疏时，我们的模型在点击率提升度上比传统方法提高了%5的精度。基于主题和大众影响的用户动态行为倾向预测为图、表自动编号而设引言前章关注用户之间的朋友关系对用户在搜索引擎上的行为的影响，以朋友历史行为数据中反映的各自历史兴趣来协同推测目标用户的兴趣，因此获得的兴趣未必是描述目标用户当前时刻最新关注内容的信息。在许多web应用中，如在线广告定向、内容推荐、社会推荐等，广告、内容信息、朋友等项目被推荐给网络用户，理想情况下，这些被推荐的项目应该匹配用户实时的兴趣偏好。用户实时的兴趣偏好决定了用户在当前时刻的行为。在实际中，用户兴趣变化的变化受多个因素的影响：一方面是由于用户自身兴趣发生改变；另一方面用户的兴趣也可能受外部因素的影响而产生变化(Ahmed, Low et al. , Zhong, Fan et al.)，如大众对热点事件的讨论可能会引导目标用户加入，从而促使用户兴趣发生改变。本文正是从这两个方面出发研究用户动态变化的兴趣，为了与前两章的表述一致，这里用户兴趣也可称为用户的行为倾向。本章在推荐背景下，关注用户兴趣的演变以及根据实时的兴趣准确预测用户对推荐项目的打分偏好（打分偏好因推荐背景不同而表现为不同形式）。在方法上本章使用矩阵因子模型来预测用户对推荐项目的实时打分偏好，采用的数据仍然是用户的行为数据。根据前面章节的分析可知，用户的历史行为数据具有稀疏性，而在已有的用户行为模型中，正则项是缓解稀疏性、提高预测精度的常用方法，本文第四章正是基于这种思路。本章仍然采用正则项的设计思路，对用户和推荐项目分别通过动态的用户兴趣和项目的主题信息设计了相应的正则项。具体来讲，用户的正则化使用了动态主题模型来建模每个用户临时的兴趣，在一个网络应用背景下，每个用户看作一个文档，用户产生的每个行为对应文档中一个词，这样用户的所有行为构成了用户文档。参考文档的主