微博社交網路中主題專家搜尋關鍵技術研究

《微博社交網路中主題專家搜尋關鍵技術研究》是依託華中科技大學，由魏巍擔任項目負責人的青年科學基金項目。

基本介紹

• 中文名：微博社交網路中主題專家搜尋關鍵技術研究
• 項目類別：青年科學基金項目
• 項目負責人：魏巍
• 依託單位：華中科技大學

中文摘要

微博社交網路具有知識覆蓋面廣、社會影響力大等特性，因而吸引了眾多註冊用戶發布各種不同主題知識，其中包括大量具有不同主題知識的專家用戶。主題專家通常在所屬領域具有較高的權威性和影響力，因此標識和搜尋主題專家能夠實現對不同主題相關重要信息的有效獲取和監控。微博主題專家搜尋較傳統專家搜尋研究具有更大挑戰性，其具有數據規模海量性、信息不透明性及社交關係複雜性等特性。本課題擬從三個方面研究微博主題專家搜尋問題：（1）如何有效利用微博社交網路結構中多種連線關係以提升主題專家搜尋精度；（2）如何有效構建可疑信息與微博多主題專家之間的映射關係，以獲取專家知識從而提升不實信息甄別準確率；（3）如何有效標識微博主題專家的時效權威性，以提升熱門事件預測的準確度。通過對上述問題的研究可以有效降低微博不實信息傳播帶來的社會危害性，並提前對可能出現的熱門事件進行輿情監控，對穩定國家社會經濟發展具有深遠影響。

結題摘要

本項目針對微博數據中的數據規模海量性、信息不透明性及社交關係複雜性等挑戰，研究了基於微博用戶信息、用戶行為信息及社交網路結構信息特徵的建模方法、以挖掘出蘊含在數據中用戶行為偏好、行為規律及用戶在不同主題上權威性,從而有效提升微博主題專家檢索的準確性，同時也做了相關拓展研究。具體而言，主要取得如下成果：(1) 基於半監督學習的主題專家權威性排序問題，解決了在海量文本數據中對任意個數主題詞的專家搜尋問題，其平均搜尋性能提升10%以上（p-value<0.05）；(2)基於監督學習的垃圾評論者檢測問題，重點研究了如何針對用戶個體及群體間關係建模以提高檢測精度，其平均檢測準確率提升10%以上；(3)基於情緒感知的回覆生成研究問題，解決了自動化感知上下文情感用於生成嵌入合理情緒文本回復問題，在回復語義分數、情感分數及回復質量上較最好方法提升16.9%，1.72%及25.81%；(4) 基於圖神經網路的短序列會話推薦問題，解決了短會話推薦問題中如何會話序列內物品局部關係及會話序列間物品全局關係建模來提升推薦性能問題，其推薦性能在不同數據集上平均提升4.4%；(5) 基於位置感知自注意力機制的序列標註問題，解決了序列標註中如何有效對序列中詞語中連續及離散上下文依賴關係建模問題，在經典基準數據集上平均提升0.1左右；(6) 基於歐式空間旋轉矩陣的知識表示學習，解決了知識表示學習弱解釋性問題，將模型擴展到非歐空間顯著提升了模型可表示性，並理論證明了模型能夠對反轉、對稱/反對稱、傳遞等複雜類型關係建模；(7) 多模態信息表示學習問題，解決了語義與視覺信息的互注意力機制加強問題，在公測平台檢測顯示較現有state-of-the-art模型性能更優。