面向在线投票的联合主题-语义感知社交推荐
机器学习
2017-12-05 v1 信息检索
社会与信息网络
摘要
在线投票是社交网络中一种新兴的功能，用户可借此表达对各类议题的态度并展现其独特兴趣。在线投票给推荐带来了新挑战，因为投票的传播严重依赖于社交网络结构以及投票内容。本文研究在进行投票推荐时如何综合利用这两个因素。首先，由于现有的文本挖掘方法（如主题模型和语义模型）难以很好地处理通常简短且模糊的投票内容，我们提出了一种新颖的主题增强词嵌入（TEWE）方法，通过联合考虑主题与语义来学习词与文档的表示。随后我们提出用于投票推荐的联合主题-语义感知社交矩阵分解（JTS-MF）模型。JTS-MF模型通过结合TEWE表示与社交网络结构信息来计算用户与投票之间的相似度，并在矩阵分解过程中保留这种主题-语义-社交相似度。为评估TEWE表示与JTS-MF模型的性能，我们在真实在线投票数据集上进行了大量实验。结果证明了我们的方法相对于若干SOTA基线的有效性。
引用
@article{arxiv.1712.00731,
title = {Joint Topic-Semantic-aware Social Recommendation for Online Voting},
author = {Hongwei Wang and Jia Wang and Miao Zhao and Jiannong Cao and Minyi Guo},
journal= {arXiv preprint arXiv:1712.00731},
year = {2017}
}
备注
The 26th ACM International Conference on Information and Knowledge Management (CIKM 2017)