D-Sempre:用于用户兴趣-社交内容建模的深度语义保持嵌入学习
社会与信息网络
2018-02-20 v1
摘要
社交媒体消费的指数级增长要求有效的用户兴趣-社交内容建模,以实现更个性化的推荐与社交媒体摘要。然而,由于社交内容的异构性,传统方法缺乏捕捉这些多模态数据间隐藏语义关联的能力,导致社交内容理解与用户兴趣之间的语义鸿沟。为有效弥合语义鸿沟,我们提出一种用于用户兴趣-社交内容建模的新型深度学习框架。我们首先从异构社交媒体信息流中挖掘并解析数据,即文本内容、视觉内容、社交上下文与社交关系。随后,我们设计双分支网络将社交内容与用户映射到同一潜在空间。特别地,该网络以端到端方式通过结合跨实例距离约束与实例内语义保持约束的大间隔目标进行训练。最终,学习到深度语义保持嵌入(D-Sempre),并可通过计算社交内容与用户间距离给出排序结果。为证明 D-Sempre 在用户兴趣-社交内容建模中的有效性,我们构建了一个 Twitter 数据集并对其进行大量实验。结果表明,D-Sempre 有效整合了来自异构社交媒体流的多模态数据,并捕捉到用户兴趣与社交内容间的隐藏语义关联。
引用
@article{arxiv.1802.06451,
title = {D-Sempre: Learning Deep Semantic-Preserving Embeddings for User interests-Social Contents Modeling},
author = {Shuang Ma and Chang Wen Chen},
journal= {arXiv preprint arXiv:1802.06451},
year = {2018}
}
备注
ACM Multimedia