基于深度学习的社交媒体评论生成研究.pdfVIP

摘要

评论作为社交媒体的一项基本功能，不仅可以促进用户参与互动、形成社区

氛围、增加用户粘性，还可以扩大内容的传播范围，增加内容的曝光度，进而推

动信息传播和社交分享。社交媒体评论的自动生成可作为编辑助手，帮助用户提

升评论编辑效率，也可以作为新话题的初始数据，提升话题热度，还能够为舆论

正向引导提供参考依据。由于社交媒体的评论生成不同于其他文本生成任务，还

需要考虑评论的时效性、新颖性、话题相关性和个性化。为此，本文设计了一套

基于深度学习的社交媒体评论生成方案，包括热点话题预测模块、话题聚类模块

和评论生成模块，主要研究工作如下：

首先，对于社交媒体评论生成的时效性提升问题，本文在评论生成框架中嵌

入了一个基于双向LSTM-SNP的热点话题预测模块。使用双向LSTM-SNP同时

提取热度序列在正向和逆向的信息，学习热度值的变化规律并预测未来走向，以

便对未来可能出现的热点话题进行及时性评论生成。结果显示，与基线模型相比，

双向LSTM-SNP模型能明显降低约3%的预测误差值。

其次，为解决现有数据集冗余量大，导致生成评论缺乏新颖性和话题相关性

的问题，本文提出了一个基于异构图自编码器的话题聚类模型，用于收集目标话

题相关的新文本信息作为微调数据集，以期增强生成评论新颖性的同时保持话题

相关性。该模型利用自编码器学习异构图的节点表示，同时构建以聚类为导向的

辅助分布联合指导节点表示的生成，以提高聚类能力。结果显示，相对于传统的

聚类方法，该模型在F1值、NMI和ARI等指标上表现出更好的聚类效果。

最后，针对现有模型输出的评论缺乏个性化的问题，本文在话题预测模块和

话题聚类模块的基础上提出了一个基于TCGM和异构图聚类的评论生成模型。

TCGM（TimelinessCommentGenerationModel）引入了用户文本信息，采用双编

码器结构对博文内容和用户信息单独编码，并借助注意力机制有效挖掘两者之间

的共同关注，因此能够生成带有用户偏好的个性化评论。此外，该模型还能根据

聚类方法收集到的拓展数据集进行微调，从而提高评论的质量。实验结果表明，

本文模型在机器评估指标（BLEU、METEOR和ROUGE）和人工判别指标（相

关性、流利度、个性化）方面都优于基线模型。在真实网络中的评论反馈结果也

进一步验证了本文模型的可用性。

关键词：社交媒体；评论自动生成；深度学习；LSTM-SNP；图聚类

Abstract

Asabasicfunctionofsocialmedia,commentscannotonlypromoteuser

participationandinteraction,formcommunityatmosphere,andincreaseuserstickiness,

butalsoexpandthescopeofcontentdissemination,increasetheexposureofcontent,

andthuspromoteinformationdisseminationandsocialsharing.Theautomatic

generationofsocialmediacommentscanbeusedasaneditorialassistanttohelpusers

improvetheefficiencyofcommentediting,andcanalsobeusedastheinitialdataof

newtopicstoenhancethetopicheat,andcanalsoprovideareferencebasisforpositive

guidanceofpublicopinion.Sincethegenerationofcommentsinsocialmediais

differentfromothertextgenerationtasks,theti