《中國人工智能學會通訊》——11.5 關聯性使用者屬性推斷

使用者畫像是個性化推薦的基礎。在大多數的社交網絡中，并不能得到準确和完整的使用者屬性。現有的工作通過利用使用者産生的網絡資料來推斷使用者屬性[5] ，表明了使用者網絡行為活動對于預測使用者屬性的有效性。但是這些研究工作是獨立研究使用者屬性的，并且隻利用了文本内容。本文利用使用者在社會媒體網絡中産生的豐富線上多媒體内容資訊和使用者屬性之間的關系，研究關聯性使用者屬性推斷。特别地研究性别、年齡、情感狀況、職業、興趣、情緒傾向六種類型的使用者屬性，每一種使用者屬性有多個值。為了能有效利用使用者産生的内容資訊和屬性之間的關系，提出一個關聯性隐式支援向量機（Relational Latent SVM, Relational LSVM） 的 模型架構進行使用者屬性推斷。特别地，以 Google+ 為測試平台進行研究和實驗。在 Google+，使用者允許建立他們的個人檔案在 About 版塊和在 Posts 頁面釋出個人活動資訊。我們把關聯性使用者屬性推斷形式化為輸入是使用者的社交網絡内容資料，包括從About 擷取的檔案資料和在 Posts 下載下傳的釋出活動資訊。關聯性隐式支援向量機從這些資料中監督性學習來推斷輸出，包括預測的使用者屬性和推斷的使用者屬性關系。我們在來自 Google+ 的真實資料上評估提出的屬性推斷模型。實驗結果證明了關聯性隐式支援向量機推斷使用者屬性的有效性和使用者屬性關系在使用者相關應用中的用途。