群发消息重要性判断

摘要

群发消息(broadcast message)是一种被定义为一次发送给一组订阅用户的消息，而接收消息的这一组订阅用户则被称作群发消息列表。当今流行的几大类群发消息包括:群发邮件、微博、群发短信等。每天，数以兆记的群发消息被发送和接收，它们正潜移默化地影响着人们工作、学习、生活和沟通的方式。然而，伴随着群发消息的便利，麻烦也接踵而至。绝大多数的群发消息都是不重要和不相关的，人们不得不花费大量时间来处理这些不相关的信息，从而为全世界造成了巨额的经济损失。这样的现象被称为群发消息过载问题。群发消息过载的严峻形势促生了一个热门的研究领域——群发消息重要性判断(broadcast message prioritization)。群发消息重要性判断旨在预测某条群发消息对于某个用户而言的重要性标签。
　　本毕业论文聚焦群发消息重要性判断问题。本文以两种最为流行的群发消息，微博与群发邮件，作为研究对象。
　　本文的第一项研究工作关注的是如何基于群发消息重要性判断提升群发消息的传播效果。以微博为例，通过群发消息重要性判断算法可以找到对某条微博感兴趣、同时具有较大影响力的用户，通过将他们提及到微博中，他们很可能会转发微博，从而提升微博的传播效果。因此，本文把基于群发消息重要性判断提升群发消息的传播效果的问题又叫做提及推荐问题，即如何通过在微博中推荐最为合适的被提及的对象，来最大化地提升微博的传播效果的问题。在同时考虑微博重要性判断（即用户是否对微博感兴趣）、用户影响力等因素的情况下，本文提出了一个新颖的排序学习模型来解决提及推荐问题。
　　在第二项工作中，本文直接研究考虑协同过滤因素的群发消息重要性判断问题。以群发邮件为例，本文提出了学术界第一个考虑协同过滤因素的群发邮件重要性判断框架。为了解决完全冷启动的挑战，本文提出了一个新颖的主动学习模型，能同时应对诸如单类隐式评分、对时间敏感的用户反馈等新的挑战。
　　在第三项工作中，本文解决了同时考虑大量群发消息列表情况下的群发消息重要性判断问题。以群发邮件为例，本文提出了一个跨领域推荐模型，在对某个邮件列表中的邮件进行重要性判断时，模型能够从其它相似的邮件列表中学习额外信息，从而提升预测准确度，并能更好地解决新加入用户和新邮件列表的冷启动问题。本文所提出的跨领域推荐算法还是学术界第一个能够自动选择最优源域集合的跨领域推荐模型。
　　所有上述工作，都在基于真实用户的大规模数据集上进行了细致的实验。本文不仅比较了本毕业论文所提出的算法与经典对照算法的表现。同时还设计实验，对比了本文提出的各类新要素对最终模型表现的贡献。经过详尽的实验，本毕业论文所提出的新算法均展现了其优越性。

目录

声明

摘要

1．1 研究背景

1．2 研究现状

1．2．2 群发消息重要性判断算法

1．2．3 现有群发消息重要性判断工作的不足

1．3 研究问题

1．3．1 基于群发消息重要性判断提升群发消息传播力

1．3．2 考虑协同过滤因素的群发消息重要性判断

1．3．3 考虑多个群发消息列表的群发消息重要性判断

1．3．4 研究问题间的联系

1．4 主要贡献

1．4．1 提出了基于群发消息重要性判断的提及推荐模型

1．4．2 提出了考虑协同过滤因素的群发消息重要性判断算法

1．4．3 提出了考虑多个消息列表的群发消息重要性判断算法

1．5 论文组织构架

第2章 相关工作

2．1．2 提及推荐

2．2 邮件过载与邮件重要性判断

2．2．1 邮件分类

2．2．2 邮件重要性判断

2．3 针对协同过滤推荐模型的主动学习算法

2．3．1 非个性化主动学习算法

2．3．2 个性化主动学习算法

2．4 跨领域推荐

2．4．1 域的定义

2．4．2 域的选择

2．4．3 域间的知识迁移

2．5 本章小结

第3章 基于群发消息重要性判断提升群发消息传播力

3．1 背景

3．2 问题定义

3．3 算法框架

3．3．1 排序特征

3．3．2 相关性定义

3．3．3 排序模型

3．4 实验设计

3．4．1 数据收集

3．4．2 衡量标准

3．4．3 对照算法

3．5 结果与分析

3．5．2 不同特征重要性对比

3．5．3 算法在推荐过载问题上的表现

3．6 实验结果讨论

3．7 本章小结

第4章 考虑协同过滤因素的群发消息重要性判断算法

4．1 背景

4．2 问题定义

4．3 算法框架

4．3．1 收集用户反馈

4．3．2 预测剩余用户的重要性偏好

4．4 实验与分析

4．4．2 数据预处理与分析

4．4．3 对照算法

4．4．4 衡量标准

4．4．5 实验结果与分析

4．5 本章小结

第5章 考虑多个群发消息列表的群发消息重要性判断算法

5．1 背景

5．2 问题定义

5．3 算法框架

5．3．1 收集用户反馈

5．3．3 重要性预测

5．4 最优源域集合的选择

5．4．1 最优策略

5．4．2 近似优化算法

5．4．3 如何提升算法运算效率

5．5 实验与分析

5．5．2 衡量标准

5．5．3 对照算法

5．5．4 结果与分析

5．6 本章小结

第6章 总结与展望

6．1 本文工作总结

6．2 未来工作展望

6．2．1 整合多种群发消息重要性判断算法

6．2．2 将主动学习应用到信息流排序问题

6．2．3 利用深度学习算法进行跨领域推荐

参考文献

攻读博士学位期间的主要研究成果

致谢