基于语义与影响力感知的社交流 k-代表查询

社交平台上持续产生的大规模数据已成为用户的重要信息源。从社交流中获取新鲜且有价值信息的主要方法是\emph{社交搜索}。尽管已有大量社交搜索研究,现有方法仅关注查询结果的\emph{相关性}而忽略\emph{代表性}。本文基于主题建模提出一种新颖的语义与影响力感知的 $k$-代表($k$-SIR)社交流查询。具体而言,我们认为用户查询与元素均在主题空间中表示为向量。$k$-SIR 查询在查询时刻于滑动窗口上检索相对于查询向量具有最大\emph{代表性}的 $k$ 个元素集合。元素集合的代表性由主题模型计算的语义与影响力分数构成。随后,我们设计两种近似算法,即 \textsc{Multi-Topic ThresholdStream} (MTTS) 与 \textsc{Multi-Topic ThresholdDescend} (MTTD),以实时处理 $k$-SIR 查询。两种算法均利用在各主题上维护的排序列表进行 $k$-SIR 处理,并具理论保证。在真实数据集上的大量实验证明了 $k$-SIR 查询相较现有方法的有效性,以及我们所提算法处理 $k$-SIR 的效率与可扩展性。