社交协作行为中的用户建模及其应用研究

摘要

近年来，随着社会网络(Social Network)平台的飞速发展，以及社交元素与各种新兴应用的高度融合，各类社交服务在规模上呈现出前所未有的增长态势。这些服务在满足了用户在社会交际、信息分享等诸多方面的需求同时，也在推动社会网络自身类型和内涵上的深刻变革，并催生了更加丰富、多样的社交协作行为的出现。一方面，传统的基于真实熟人关系的社交网络正在逐步向基于内容和兴趣的“陌生人”社交模式发展，另一方面，基于社交传播的信息分享方式正在逐步取代传统的权威信息源的“广播”发布方式。正因如此，深入分析来自于新型社交网络平台上的用户社交协作行为数据，能够为开发更好的商务智能应用与服务提供关键决策支持，具有重要的研究与应用价值。基于上述背景，本文开展了针对社交协作行为中用户建模及其应用的一系列探索性研究，针对用户所产生的大量社交协作行为数据所带来的机遇与挑战，从用户兴趣建模、用户决策分析，以及社交学习的后续效应三个层面开展了面向商务环境下实际应用问题的研究工作，并分别提出了基于主题敏感互动的用户兴趣建模及其社交媒体标注应用、基于动态社交影响的用户决策分析及其社交活动参与预测应用、基于潜在社交关系挖掘的社交学习机制研究及其行为模式演变预测应用三个新颖的研究问题，从而形成了理论探索与应用检验相结合的研究体系。具体而言，本文的主要研究贡献如下:
　　第一，通过分析社交媒体用户之间就具有特定主题的的媒体信息分享行为（即主题敏感的分享行为），提出了一种新的用户共同兴趣画像方法，以描述用户在不同社交场合下所表现出的不同兴趣偏好，并进而帮助实现社交媒体文件自动化标注的智能服务。针对传统工作局限于个人用户分析，未能将用户还原于完整的社交互动场景下这一缺陷，定义了一种新的基于共同兴趣的信息传播行为，并将目标用户群就某一社交媒体信息所产生的分享、互动行为表征为用户之间的共同兴趣和媒体文件自身的主题特征共同作用下的最大似然结果，从而提出了“基于共同兴趣的信息传播最大化”问题，并基于其两种不同优化目标，设计了一种全新的用户共同兴趣画像及其应用的两阶段框架。在此框架下，首先，基于历史分享行为的最大化重现，准确挖掘社交用户所具有的共同兴趣;其次，将基于训练得到的共同兴趣，对有待标注的测试样本所发生的分享行为进行最大化覆盖，通过贪心算法实现对于测试样本的自动化标注。最后，在一个真实世界的数据集上进行了实验，并进行了相关的案例分析，结果显示本章工作所提出的新方法能够在媒体标注任务上普遍优于各种对比方法，尤其是在对于冷门标签的挖掘上表现出了相当突出的效果，从而体现出社交行为在用户兴趣画像中的巨大潜力。在此基础之上，针对这一算法所面临的时间开支较大的问题，通过分析社交媒体中的主题敏感分享行为所具有的局部稠密性特征，提出了一种新的基于子图特征描述的排序学习方法，在保证媒体标注准确性的情况下，时间开支下降至少一个数量级，保证了本章工作的实用性。
　　第二，通过研究用户决策行为过程中的动态社交影响，提出了一种新的用户决策分析方法，并结合线下活动的应用场景，以用户参与活动的决策行为实现了验证和讨论。针对传统工作或仅依赖个人用户历史行为分析，而忽略社交因素在决策中的影响，或仅考虑用户的静态社交特征所产生的影响，而将社交关系视作特征或约束等加以分析，从而既难以体现网络结构全貌及影响的传递性，又无法实时捕捉网络结构的演化和社交影响的波动的缺陷，定义了一种新的动态社交影响过程，从而体现出了用户之间影响的相互依赖性和“反应链”特质，并将这一过程所施加的影响融入阈值函数的计算之中，而将传统的用户兴趣及对实际开支的容忍程度融入偏好函数的计算中，从而将用户的决策过程转化为了一个新的判别函数，并基于这一判别函数，提出了相应的两阶段判别框架，从而实现了用户个人偏好、对真实开支的容忍度和用户的动态社交影响的综合建模。基于真实世界数据集的大量实验及案例分析表明，本章工作所提出的新方法能够在用户决策的预测分析上普遍优于代表当前领先水平的对比方法，部分指标甚至达到对比方法的数倍以上，从而体现出社交影响尤其是动态社交影响因素对于用户决策分析的重要作用。
　　第三，围绕社交网络中存在的知识与技能的分享现象，通过研究用户基于社交网络信息渠道的社交学习行为，提出了一种新的用户行为演化建模和预测方法，从而以社交影响的角度，更有效地解释用户行为模式所发生的变化。针对传统社交传播分析仅考虑一次性的、无后续影响的传播过程，而对于社交影响的长远效果缺乏针对性和建模能力这一缺陷，借助并衍生社交传播的相关建模手段，将社交学习机制引入用户行为模式演变的建模中，并将其行为模式的演变过程转化为针对特定行为模式的社交影响之间的偏序关系，从而将揭示潜在社交关系与社交学习强度的优化任务与用户行为模式的建模预测结合起来。在此基础之上，提出了一个新的两阶段框架，首先基于历史行为演变的重现，优化学习用户之间的潜在社交关系，然后基于这种社交关系所产生的社交学习机制，预测用户未来的行为模式所将要发生的演变。本章工作基于出租车司机的驾驶行为预测的应用场景对相关研究成果进行了验证，基于真实世界数据集的实验充分表明，通过引入社交学习机制的后续影响，在无需额外信息的条件下，用户行为演变的可预测性普遍提升数倍乃至十数倍，从而体现出社交学习机制在用户行为建模领域所发挥的作用和所蕴含的重要研究价值。

目录

声明

摘要

表格索引

插图索引

算法索引

第一章 绪论

1．1 研究背景和意义

1．2 国内外研究现状

1．2．1 社交网络分析

1．2．2 社交互动建模

1．3 主要研究工作

1．4 论文的组织结构

第二章 基于主题敏感互动的用户兴趣画像

2．1 引言

2．2 相关工作

2．3 基于共同兴趣的社交分享行为还原

2．3．1 社交分享预备知识

2．3．2 基于共同兴趣的分享行为建模

2．3．3 社交互动的最大似然描述

2．4 社交用户画像与媒体标注应用

2．4．1 两种优化目标与两阶段框架

2．4．2 面向用户画像的有监督学习

2．4．3 实现社交标注的贪心法求解

2．5 实验结果分析

2．5．1 实验设置

2．5．2 整体实验结果

2．5．3 案例讨论

2．6 基于子图排序的快速标注算法

2．6．1 数学描述与技术框架

2．6．2 子图的特征描述

2．6．3 实验结果与分析

2．7 本章小结

第三章 基于动态社交影响的用户决策分析

3．1 引言

3．2 相关工作

3．3 基于动态社交影响的判别建模

3．3．1 预备知识

3．3．2 社交阈值与判别建模

3．4 决策分析框架与迭代优化算法

3．4．1 两阶段决策分析框架

3．4．2 训练阶段的迭代优化算法

3．4．3 测试阶段的迭代预测算法

3．5 实验结果分析

3．5．1 数据集与统计分析

3．5．2 实验结果

3．5．3 案例讨论

3．6 本章小结

第四章 基于潜在互动挖掘的社交学习研究

4．1 引言

4．2 相关工作

4．3 统计分析：出租车行驶中的“社交元素”

4．4 基于社交学习机制的驾驶习惯建模

4．4．1 预备知识

4．4．2 行为模式预测的损失函数

4．4．3 社交影响计算与优化任务

4．4．4 两阶段框架与目标

4．5 实验结果分析

4．5．1 数据预处理

4．5．2 实验设置

4．5．3 整体实验结果

4．5．4 参数敏感性实验

4．6 讨论：社交学习与技能分享

4．6．1 社交联系：质量v．s．数量?

4．6．2 技能分享：效率v．s．收益?

4．7 本章小结

第五章 总结与展望

5．1 工作总结

5．2 有待完善之处

5．3 未来研究展望

参考文献

致谢

在读期间发表的学术论文与取得的研究成果