基于主題增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的用戶興趣識(shí)別

杜雨萌 張偉男 劉 挺

(哈爾濱工業(yè)大學(xué)社會(huì)計(jì)算與信息檢索研究中心 哈爾濱 150001)

(ymdu@ir.hit.edu.cn)

隨著移動(dòng)互聯(lián)網(wǎng)技術(shù)的發(fā)展及移動(dòng)終端的普及，Twitter、微博等社交類應(yīng)用上聚集了大量的用戶，每個(gè)用戶每天可以接收到成百上千條微博，從而導(dǎo)致信息過載，嚴(yán)重影響用戶的信息及知識(shí)獲取.自動(dòng)識(shí)別微博用戶的興趣，進(jìn)而根據(jù)用戶興趣來協(xié)助用戶組織及過濾信息，能夠有效解決信息過載的問題.同時(shí)，用戶興趣識(shí)別對(duì)于商品推薦、廣告定向投放等業(yè)務(wù)也有很大幫助.

已有研究中，Ramage等人[1]使用Labeled LDA主題模型對(duì)Twitter用戶進(jìn)行了興趣挖掘，這種方法將用戶的所有Tweets集合作為一個(gè)文檔，使用主題模型預(yù)測(cè)出文檔的主題分布，以此表示用戶的興趣主題分布.該方法的問題在于，沒有區(qū)分用戶發(fā)布的Tweets中詞的權(quán)重，而現(xiàn)實(shí)中對(duì)一條Tweet或微博進(jìn)行分類時(shí)，其中的每個(gè)詞起到的作用是不一樣的，往往是少數(shù)幾個(gè)詞起到?jīng)Q定用戶興趣的作用.這就導(dǎo)致盡管一個(gè)用戶發(fā)表了很多自身興趣相關(guān)的微博，但由于表達(dá)興趣的詞周圍存在大量噪聲詞，使得Labeled LDA主題模型對(duì)用戶興趣詞的主題分配隨上下文而發(fā)生嚴(yán)重偏移，從而導(dǎo)致用戶興趣識(shí)別發(fā)生錯(cuò)誤.

針對(duì)上述問題，本文首先通過對(duì)用戶的微博進(jìn)行逐條興趣分類，從而緩解噪聲詞對(duì)用戶興趣詞的影響；然后通過用戶微博的興趣類別分布進(jìn)而識(shí)別用戶興趣.具體地，本文提出一種主題增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)的興趣識(shí)別方法，結(jié)合了詞向量提供的連續(xù)語義特征和Labeled LDA模型提供的離散主題特征.在進(jìn)行用戶興趣識(shí)別時(shí)，首先使用主題增強(qiáng)CNN對(duì)用戶的微博進(jìn)行逐條分類，之后根據(jù)用戶微博的興趣類別分布，通過極大似然估計(jì)得到微博用戶的興趣.

1 主題增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)

1.1 背景介紹

1.1.1 Labeled LDA主題模型

1) 主題生成過程

Labeled LDA是一種描述帶標(biāo)簽的文檔的生成過程的概率圖模型[2].與傳統(tǒng)LDA模型[3]一樣，Labeled LDA認(rèn)為每篇文檔是一組主題的混合，文檔里的每個(gè)詞都由一個(gè)主題生成.與傳統(tǒng)LDA模型不同的是，Labeled LDA通過把主題模型中的主題限制在了與每篇文檔關(guān)聯(lián)的一個(gè)標(biāo)簽集合上，從而在模型中融入了監(jiān)督信息.Labeled LDA的圖模型如圖1所示：

Fig. 1 Graphical model of Labeled LDA圖1 Labeled LDA的圖模型

設(shè)每篇文檔d被表示為一個(gè)元組，該元組由一個(gè)詞索引列表w(d)=(w1,w2,…,wNd)和一個(gè)二元的標(biāo)簽出現(xiàn)/缺失指示器Λ(d)=(l1,l2,…,lK)構(gòu)成，其中每個(gè)wi∈{1,2,…,V}，每個(gè)lk∈{0,1}.這里Nd表示文檔的長度，V表示詞表的長度，K表示語料庫中標(biāo)簽的數(shù)目.

令Labeled LDA模型中的主題數(shù)目等于語料庫中標(biāo)簽的數(shù)目，則生成過程如算法1所示：

算法1. Labeled LDA主題模型算法.

① For each topick∈{1,2,…,K}

② Generateβk=(βk,1,βk,2,…,βk,V)T～

Dir(·|η);

③ End for

④ For each documentd

⑤ For each topick∈{1,2,…,K}

Bernoutlli(·|φk);

⑦ End for

⑧ End for

⑨ Generateα(d)=L(d)×α;

Dir(·|α(d)|);

Mult(·|θ(d)|);

Mult(·|βzi|);

在步驟①和步驟②中，從一個(gè)參數(shù)為η的Dirichlet先驗(yàn)分布抽取出每個(gè)主題k在詞表上的多項(xiàng)分布βk，即主題-詞分布.傳統(tǒng)的LDA模型中，接下來將為每一篇文檔，從一個(gè)參數(shù)為α的Dirichlet先驗(yàn)分布中抽取一個(gè)多項(xiàng)分布Λ(d)，作為該文檔在K個(gè)主題上的主題分布，但在Labeled LDA中，把θ(d)限制在標(biāo)簽指示器Λ(d)顯示出現(xiàn)的那些標(biāo)簽所對(duì)應(yīng)的主題中.因?yàn)樵诜峙湮臋n中每個(gè)位置的主題時(shí)要參考θ(d)，所以上述限制確保了分配的主題都來自于文檔的標(biāo)簽集合.

(1)

2) 學(xué)習(xí)和預(yù)測(cè)

Labeled LDA對(duì)用戶打好標(biāo)簽的文檔進(jìn)行學(xué)習(xí)和預(yù)測(cè)的過程與傳統(tǒng)的LDA模型的學(xué)習(xí)和預(yù)測(cè)過程是相似的.區(qū)別只在于：Labeled LDA將每篇文檔用以獲取主題分布的先驗(yàn)Dirichlet分布的參數(shù)α(d)限制在了文檔的標(biāo)簽集合λ(d)上.因此在訓(xùn)練時(shí)，像LDA模型一樣使用Gibbs采樣，文檔d里位置i的主題為j的概率為

P(zi=j|z|)∝×,

(2)

在從訓(xùn)練集中學(xué)習(xí)出多項(xiàng)分布β，即主題-詞分布后，就可以使用Gibbs采樣對(duì)打好標(biāo)簽的新文檔進(jìn)行主題預(yù)測(cè).

3) 基于Labeled LDA主題模型的用戶興趣識(shí)別

Ramage等人[1]使用Labeled LDA主題模型對(duì)Twitter用戶進(jìn)行了興趣識(shí)別，方法是：將興趣主題設(shè)置為Labeled LDA模型中使用的主題，將用戶的Tweets集合作為一篇文檔，之后使用Labeled LDA主題模型計(jì)算用戶的Tweets文檔的主題分布，獲得的主題分布即為用戶的興趣主題分布.

1.1.2 基于卷積神經(jīng)網(wǎng)絡(luò)的句子分類器

CNN是計(jì)算機(jī)圖像領(lǐng)域發(fā)明的一種前饋神經(jīng)網(wǎng)絡(luò)，在圖像識(shí)別、影像分析等應(yīng)用中表現(xiàn)出色[4-6].隨后，CNN在自然語言處理領(lǐng)域的句法分析[7]、查詢檢索[8]、句子建模[9]等工作上都取得了良好的效果.Kim[10]使用單層卷積層的CNN實(shí)現(xiàn)了一個(gè)句子分類器，該模型結(jié)構(gòu)如圖2所示：

Fig. 2 Model architecture of CNN sentence classifier圖2 卷積神經(jīng)網(wǎng)絡(luò)句子分類器的模型結(jié)構(gòu)

模型的輸入是一個(gè)n×k的詞向量矩陣，設(shè)xi∈k是句子里第i個(gè)詞對(duì)應(yīng)的詞向量.一個(gè)長度為n的句子，可以表示為

x1:n=x1⊕x2⊕…⊕xn,

(3)

令xi:i+j表示xi,xi+1,…,xi+j詞的連接，一個(gè)卷積操作是指使用過濾器(filter)w∈hk，從一個(gè)包含h個(gè)詞的窗口生成一個(gè)新的特征.設(shè)ci是從窗口xi:i+h-1生成的特征：

ci=f(w·xi:i+h-1+b),

(4)

其中，b是偏置，f是一個(gè)非線性函數(shù).這個(gè)過濾器在句子的所有詞窗口x1:h,x2:h+1,…,xn-h+1:n上都生成新的特征，就得到了一個(gè)特征映射(feature map)

c=(c1,c2,…,cn-h+1),

(5)

模型中會(huì)使用多個(gè)filter，所以會(huì)產(chǎn)生多個(gè)feature map以及多次max pooling操作.之后將max pooling操作后的結(jié)果作為特征向量輸入到softmax層，最終softmax層輸出句子在不同類別上的概率分布.

1.2 我們的模型

本文提出一種基于主題增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的用戶興趣識(shí)別方法，是一種結(jié)合了連續(xù)的語義特征和離散的主題特征的方法， 模型框架如圖3所示：

Fig. 3 Model architecture of topic augmented CNN圖3 主題增強(qiáng)CNN的模型結(jié)構(gòu)

模型的2個(gè)輸入分別是一條微博對(duì)應(yīng)的詞向量矩陣和主題信息矩陣.詞向量由預(yù)先訓(xùn)練好的word2vec模型獲得，對(duì)微博進(jìn)行填充(padding)后，將微博里的每個(gè)詞都轉(zhuǎn)換為對(duì)應(yīng)的詞向量，便得到該微博對(duì)應(yīng)的詞向量矩陣.我們?cè)O(shè)定了K個(gè)興趣主題，主題信息矩陣中的每一行的K維向量對(duì)應(yīng)微博中每個(gè)詞分配到各個(gè)興趣主題的概率.如果計(jì)算微博中第i個(gè)位置上的詞wi被分配為主題k的概率，首先是根據(jù)由主題模型獲得的第i個(gè)位置以外的位置的主題分配情況，可以估算出當(dāng)前位置i被分配為主題k的概率：

(6)

(7)

(8)

本文的模型是一個(gè)雙通道的CNN，2個(gè)通道的結(jié)構(gòu)相似.在每個(gè)通道的輸入矩陣上都添加了一個(gè)單層卷積層，對(duì)卷積后獲得的feature map執(zhí)行max pooling操作，然后將2個(gè)通道的池化操作后的結(jié)果合并輸入到一個(gè)全連接層，全連接層的輸出作為特征向量輸入到softmax層，最終softmax層輸出微博在不同興趣類別上的概率分布.

本文的用戶興趣識(shí)別方法如下：設(shè)主題類別體系為C={c1,c2,…,cM}，給定某個(gè)用戶u，抽取其發(fā)布的微博文本集合W={w1,w2,…,wn}，文本數(shù)目為n，使用本文提出的主題增強(qiáng)CNN作為分類器進(jìn)行預(yù)測(cè)，得到n條微博文本對(duì)應(yīng)的類別列表L={l1,l2,…,ln}，其中l(wèi)i∈C.在類別列表上定義一個(gè)計(jì)數(shù)函數(shù)count(x,L)表示類別x在L中出現(xiàn)的次數(shù)，其中，x∈C.按照count(x,L)由高到低排序，選擇排序靠前的類別表示用戶興趣.

2 實(shí)驗(yàn)及分析

2.1 興趣類別體系

以類別體系覆蓋面大、類別間區(qū)分度大為原則，并參考相關(guān)文獻(xiàn)[11]，本文設(shè)定了10個(gè)微博興趣類別，分別為：體育、娛樂、汽車、財(cái)經(jīng)、時(shí)事/軍事、科技、健康/養(yǎng)生、旅游/攝影/美食、星座/時(shí)尚/語錄、校園/教育/職場.

由于普通用戶所發(fā)的微博涵蓋的種類比較多，包含較多的噪聲，因此我們?cè)讷@取訓(xùn)練數(shù)據(jù)時(shí)選取的是各個(gè)類別下的微博認(rèn)證用戶，且盡量選擇企業(yè)認(rèn)證用戶.比如體育類，我們選取了“新浪體育”、“虎撲體育”等用戶，從這些用戶的微博中抽取訓(xùn)練語料.

2.2 實(shí)驗(yàn)數(shù)據(jù)

爬取各個(gè)類別的認(rèn)證用戶的微博，在對(duì)原始微博語料進(jìn)行必要的過濾后抽取出訓(xùn)練語料、驗(yàn)證語料和測(cè)試語料.訓(xùn)練集、驗(yàn)證集和測(cè)試集的微博文本數(shù)目如表1所示：

Table 1 Number of Microblog Text in Training Set,Validation Set and Test Set

此外，還需要訓(xùn)練一個(gè)Labeled LDA模型，以構(gòu)造微博的主題信息矩陣.訓(xùn)練集是每個(gè)興趣類別為100 000條微博，將每個(gè)類別下的微博合并為一個(gè)文檔，并打上相應(yīng)的類別標(biāo)簽.比如體育類，將從“新浪體育”、“虎撲體育”等體育類的用戶的微博中抽取出的微博合并為一個(gè)文檔，并且將該文檔的標(biāo)簽設(shè)為體育.

2.3 參數(shù)設(shè)定

本文模型中的詞向量長度為100，padding的最大長度參考微博的最大長度設(shè)置為140，卷積層的激活函數(shù)選用RLU，在詞向量的通道里卷積層選擇了長度為3，4，5的過濾器各100個(gè)，在主題信息的通道里卷基層選擇了長度為2，3，4的過濾器各100個(gè)，在模型的倒數(shù)第2層全連接層的隱含神經(jīng)元數(shù)量為300個(gè)，全連接層的激活函數(shù)為RLU，輸出設(shè)定為300維，在倒數(shù)第2層與最后1層的softmax層之間設(shè)定dropOutRate=0.5，在最后一層softmax層里使用了值為1的l2正則化項(xiàng).

2.4 評(píng)價(jià)方法

2.4.1 評(píng)價(jià)微博分類效果

本文對(duì)微博分類效果的評(píng)價(jià)標(biāo)準(zhǔn)采用準(zhǔn)確率(accuracy)、精確率P(precision)、召回率R(recall)以及F值.

2.4.2 評(píng)價(jià)用戶興趣識(shí)別效果

對(duì)用戶的微博逐條興趣分類后，通過極大似然估計(jì)得到微博用戶的興趣，選擇數(shù)量最多的興趣類別作為興趣識(shí)別結(jié)果.采集了400位微博測(cè)試用戶的數(shù)據(jù),根據(jù)用戶的標(biāo)簽、簡介和微博內(nèi)容對(duì)用戶的興趣類別進(jìn)行標(biāo)注.評(píng)價(jià)標(biāo)準(zhǔn)采用準(zhǔn)確率.

2.5 實(shí)驗(yàn)結(jié)果與分析

2.5.1 微博文本分類效果

使用本文提出的主題增強(qiáng)CNN模型進(jìn)行微博文本分類，作為對(duì)比實(shí)驗(yàn)，選擇了CNN句子分類器[10]和在大規(guī)模中文語料分類任務(wù)上表現(xiàn)出色的以bigram為特征的線性SVM[12].主題增強(qiáng)CNN、CNN和線性SVM在微博文本分類上的準(zhǔn)確率分別為：80.8%，79.6%，80.4%.表2對(duì)比了3種方法在微博文本分類上的精確率P、召回率R以及F值.

Table 2 Precision, Recall and F value Comparison of Microblog Text Classification表2 微博文本分類精確率、召回率、F值對(duì)比 %

2.5.2 實(shí)例分析

從實(shí)驗(yàn)結(jié)果可以看出，主題增強(qiáng)CNN在微博文本分類上取得了最好的效果.與 CNN相比，主題增強(qiáng)CNN加入了微博里每個(gè)詞被分配到各個(gè)主題的概率，在CNN分類效果較差的旅游攝影美食和星座時(shí)尚語錄類別上取得了較大提升，整體上獲得了更高的準(zhǔn)確率.

實(shí)例1. 圖4中顯示的是1條旅游/攝影/美食類微博.

預(yù)處理后，這條微博為“日本 料理 驚聞 原 綠川 老師 著 更 自立 便 友人 前 拜訪 品嘗 客人 大部 份 客人 喜歡 坐 壽司 臺(tái)前 海鮮 想 吃 口 吃 出 照料 功力”.CNN將其誤分類為校園/教育/職場類，原因是預(yù)處理后的文本中包含了“老師”、“自立”、“友人”、“功力”，這些和教育/校園相關(guān)的詞在只使用詞向量的情況下出現(xiàn)了誤分類.

Fig. 4 A travel/photography/delicacy microblog圖4 一條旅游/攝影/美食類微博

Fig. 5 Image of topic information matrix of microblog used in example 1圖5 實(shí)例1中使用的微波的主題信息矩陣的圖像

將這條微博的主題信息矩陣圖像化，其中橫坐標(biāo)是該微博預(yù)處理后包含的詞，縱坐標(biāo)是主題類別，圖5中顏色的冷暖程度表示一個(gè)詞被分配為一個(gè)主題的概率，概率與顏色的對(duì)應(yīng)關(guān)系如圖5中右側(cè)的圖例所示，概率由小至大對(duì)應(yīng)于顏色由冷色變?yōu)榕?

圖5縱坐標(biāo)是旅游/攝影/美食的行明顯亮于其他行，經(jīng)統(tǒng)計(jì)，該微博的30個(gè)詞中被分配為旅游/攝影/美食類上的概率超過30%的詞有22個(gè)，而被分配為校園/教育/職場主題上的概率大于30%的詞只有2個(gè).由此可見，這條微博的主題信息對(duì)其被正確分類起到了重要作用.

實(shí)例2. 圖6中顯示的是一條星座/時(shí)尚/語錄類微博.

預(yù)處理后，這條微博為“熟知 米蘭 倫敦 愛 玩 愛鬧 巴黎 處心積慮 玩 段位 米蘭 精致 手工藝 陽剛 男性 魅力 招牌”，其中“米蘭”、“巴黎”、“玩”等與旅游相關(guān)的詞，使用詞向量的CNN將其誤分類為旅游/攝影/美食類.而該微博的主題信息矩陣的圖像如圖7所示：

Fig. 6 A constellation/fashion/quotations microblog圖6 一條星座/時(shí)尚/語錄類微博

Fig. 7 Image of topic information matrix of microblog used in example 2圖7 實(shí)例2中使用的微波的主題信息矩陣的圖像

圖7中縱坐標(biāo)是星座/時(shí)尚/語錄的行顏色明顯亮于其他行，經(jīng)統(tǒng)計(jì)，該微博中每個(gè)詞被分配為星座/時(shí)尚/語錄主題主題的概率都超過30%，但沒有一個(gè)詞被分配為旅游/攝影/美食主題的概率超過30%.可以看出主題信息對(duì)我們的模型正確分類這條微博起到了重要作用.

與使用bigram特征的線性SVM相比，主題增強(qiáng)CNN利用主題信息，對(duì)于包含噪聲詞比較多的微博，可以分類得更準(zhǔn)確.

實(shí)例3. 圖8中顯示的是一條娛樂類微博.

預(yù)處理后，這條微博為“爸爸 社長 教育 劉燁 骨子里 國家 情懷 重 信 玩 游戲 忘記 中華 身份 社長 沒 告訴 飆 臟話 帥”，使用線性SVM將該微博誤分類為校園/教育/職場類，因?yàn)椤鞍职?社長”、“社長 教育”、“玩 游戲”、“身份 社長”這些bigram與校園/教育/職場類體現(xiàn)出很強(qiáng)的相關(guān)性，所以使用bigram作為特征的線性SVM將其誤分類到校園/教育/職場類.而該微博的主題信息矩陣圖像如圖9所示：

Fig. 9 Image of topic information matrix of microblog used in example 3圖9 實(shí)例3使用的微波 的主題信息矩陣的圖像

圖9中縱坐標(biāo)為娛樂的行明顯要亮于其他行，經(jīng)統(tǒng)計(jì)，該微博20個(gè)詞中被分配為娛樂主題的概率超過30%的詞有15個(gè)，而被分配為校園/教育/職場類的概率超過30%的詞只有1個(gè).因此，主題信息對(duì)正確分類這條微博起到重要作用.

2.5.3 用戶興趣識(shí)別效果

Fig. 11 A sport microblog圖11 一條體育類微博

使用上述3個(gè)微博文本分類器，對(duì)用戶的微博進(jìn)行逐條分類，之后根據(jù)用戶微博的興趣類別分布，通過極大似然估計(jì)得到微博用戶的興趣.此外還增加了基于Labeled LDA主題模型的用戶興趣識(shí)別方法作為對(duì)比.使用Labeled LDA模型進(jìn)行興趣識(shí)別時(shí)，把一個(gè)用戶的微博集合作為一篇文檔，之后使用Labeled LDA模型預(yù)測(cè)每個(gè)用戶的微博文檔的主題分布，選擇占據(jù)最高比例的主題作為興趣識(shí)別的結(jié)果.圖10顯示了上述4種方法對(duì)400名測(cè)試用戶的興趣識(shí)別效果.

Fig. 10 Accuracy comparison of user interest recognition圖10 用戶興趣識(shí)別準(zhǔn)確率對(duì)比

可以看出在這4種方法中，主題增強(qiáng)CNN+MLE取得了最好的效果.主題增強(qiáng)CNN+MLE、線性SVM和CNN這3種方法的興趣識(shí)別效果和它們?cè)谖⒉┪谋痉诸惿系男Ч嚓P(guān).Labeled LDA模型對(duì)文檔中的一個(gè)詞分配主題時(shí)，是結(jié)合當(dāng)前位置以外的位置上的主題分配情況，以及訓(xùn)練好的Labeled LDA模型所提供的主題-詞分布來確定的，Labeled認(rèn)為每個(gè)詞的權(quán)重都是一樣的.然而在判斷一條微博的類別時(shí)，微博中每個(gè)詞的作用大小是不一樣的，往往是少數(shù)幾個(gè)詞起決定類別的作用.

圖11所示是一條體育類微博，雖然微博中多次出現(xiàn)“大學(xué)”和“理工”、“學(xué)院”這些教育相關(guān)的詞語，但是“男籃”、“CUBA”這2個(gè)體育相關(guān)的詞起到了決定微博類別的作用，所以分類為體育類微博.所以當(dāng)一個(gè)用戶發(fā)布很多自身興趣相關(guān)的微博，但表達(dá)興趣的詞周圍存在大量噪聲詞時(shí)，Labeled LDA主題模型在對(duì)用戶興趣詞的主題分配會(huì)隨上下文而發(fā)生嚴(yán)重偏移，從而導(dǎo)致用戶興趣識(shí)別發(fā)生錯(cuò)誤.我們的方法通過對(duì)用戶的微博進(jìn)行逐條興趣分類進(jìn)而獲得用戶的興趣，緩解了噪聲詞對(duì)用戶興趣詞的影響，取得了更好的效果.

3 相關(guān)工作

目前社會(huì)媒體上用戶興趣識(shí)別的方法主要有以下2類：

1) 基于用戶微博內(nèi)容的興趣識(shí)別.Michelson等人[13]通過檢測(cè)用戶在他們的Tweets中提到的實(shí)體來挖掘他們的興趣主題.Ramage 等人[1]將用戶的所有Tweets集合看作一篇文檔，然后使用Labeled LDA模型推斷用戶微博文檔上的興趣主題分布，在Twitter排序和推薦任務(wù)行取得很好的效果.Zhao等人[14]提出了一個(gè)Twitter-LDA模型，假設(shè)一條Tweet只包含一個(gè)主題，用來挖掘每條Tweet的主題；Xu等人[15]提出一種改進(jìn)的作者-主題(author-topic)模型——Twitter-user模型，對(duì)每一條Twitter，該模型使用一個(gè)隱變量(latent variable)去預(yù)測(cè)它是否同用戶的興趣相關(guān)；Sasaki等人[16]提出了一個(gè)基于Twitter-LDA的改進(jìn)模型，可以估計(jì)每個(gè)用戶的所有Tweets中背景詞與主題詞之間的比例，并提出了一個(gè)新的概率主題模型主題追蹤模型(topic tracking model, TTM)，可以獲取用戶興趣主題趨勢(shì)的動(dòng)態(tài)性進(jìn)行在線推理；Guo等人[17]提出一個(gè)面向時(shí)間戳的動(dòng)態(tài)主題模型，作者將每個(gè)主題下概率最高的詞看作是用戶的興趣，并且作者提出了一個(gè)基于密度的算法來選擇主題的數(shù)目.

2) 基于用戶的行為(關(guān)注、轉(zhuǎn)發(fā)等)的興趣識(shí)別.Abel 等人[18]對(duì)基于用戶在Twitter上的活動(dòng)推導(dǎo)出的用戶興趣信息的時(shí)間動(dòng)態(tài)性進(jìn)行了分析，并且把時(shí)間特性引入到用戶模型，定義了時(shí)間敏感的用戶模型；Jin等人[19]在Facebook上通過用戶的點(diǎn)贊(like)信息，挖掘用戶的興趣；Orlandi等人[20]提出一種通過分析社會(huì)網(wǎng)絡(luò)用戶發(fā)布的消息和諸如發(fā)表的評(píng)論、簽到的地點(diǎn)、喜歡的鏈接等，可以自動(dòng)抽取、聚合、表示用戶興趣的算法；Wang等人[21]提出一種基于連接關(guān)系二元圖的正則化框架(regularization framework)來提高用戶興趣主題挖掘的效果；Vosecky等人[22]提出一個(gè)協(xié)同的用戶主題模型，通過用戶的社會(huì)連接來全面地獲得用戶的偏好，也提出了一種雙層的用戶模型結(jié)構(gòu)以解決Twitter上主題多樣性的問題，可以解決語義感知的查詢消岐，完成個(gè)性化的Twitter搜索；Bhattacharya 等人[23]使用一種基于社會(huì)標(biāo)注(social annotations )的方法，首先推斷出popular user擅長的主題，進(jìn)而推測(cè)關(guān)注這些popular user的用戶的興趣主題；Zhao 等人[24]在不同行為(如發(fā)布、評(píng)論、點(diǎn)贊等)下用戶的興趣是不同的，作者首先構(gòu)建各個(gè)行為的user-topic矩陣，之后對(duì)每個(gè)user-topic矩陣進(jìn)行矩陣分解學(xué)習(xí)latent embedding，最后構(gòu)建用戶信息(user profile)，對(duì)用戶在各個(gè)主題上的興趣進(jìn)行預(yù)測(cè).

4 結(jié) 論

本文提出了一種基于主題增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)的用戶興趣識(shí)別方法，通過構(gòu)建一個(gè)結(jié)合連續(xù)的語義特征和離散的主題特征的CNN作為微博文本分類器，對(duì)用戶的微博進(jìn)行興趣分類，通過極大似然估計(jì)得到微博用戶的興趣.在400個(gè)微博用戶的測(cè)試集上，與Labeled LDA、使用詞向量的CNN和線性SVM這3種興趣識(shí)別方法進(jìn)行了比較，取得了最佳效果，準(zhǔn)確率到達(dá)了91.25%.實(shí)驗(yàn)結(jié)果將連續(xù)的語義特征和離散的主題特征結(jié)合將顯著提高用戶興趣識(shí)別的效果.

[1] Ramage D, Dumais S T, Liebling D J. Characterizing microblogs with topic models[C] //Proc of Int Conf on Weblogs & Social Media. Menlo Park, CA: AAAI, 2010: 130-137

[2] Ramage D, Hall D, Nallapati R, et al. Labeled LDA: A supervised topic model for credit attribution in multi-labeled corpora[C] //Proc of Conf on Empirical Methods in Natural Language Processing. Stroudsburg, PA: ACL, 2009: 248-256

[3] Blei D M, Ng A Y, Jordan M I. Latent dirichlet allocation[J]. Journal of Machine Learning Research, 2003, 3: 993-1022

[4] Schmidhuber J, Meier U, Ciresan D. Multi-column deep neural networks for image classification[C] //Proc of IEEE Conf on Computer Vision & Pattern Recognition. Piscataway, NJ: IEEE, 2012: 3642-3649

[5] An D, Meier U, Masci J. Flexible, high performance convolutional neural networks for image classification[C] //Proc of the Int Joint Conf on Artificial Intelligence. San Francisco, CA: Morgan Kaufmann, 2011: 1237-1242

[6] Ji Shuiwang, Xu Wei, Yang Ming. 3D convolutional neural networks for human action recognition[J]. IEEE Trans on Pattern Analysis & Machine Intelligence, 2013, 35(1): 221-231

[7] Yih W T, He Xiaodong, Meek C. Semantic parsing for single-relation question answering[C] //Proc of Meeting of the Association for Computational Linguistics. Stroudsburg, PA: ACL, 2014: 643-648

[8] Shen Yelong, He Xiaodong, Gao Jianfeng, et al. Learning semantic representations using convolutional neural networks for Web search[C] //Proc of Int Conf on World Wide Web Companion. New York: ACM, 2014: 373-374

[9] Kalchbrenner N, Grefenstette E, Blunsom P. A convolu-tional neural network for modelling sentences[OL]. 2014[2016-04-10]. https://arxiv.org/abs/1404.2188

[10] Kim Y. Convolutional neural networks for sentence classification[J/OL]. 2014 [2016-04-10]. https://arxiv.org/abs/1408.5882

[11] Xu Wei, Zhang Yu, Xie Yubin, et al. User interest recognition based on microblog classification[J]. Intelligent Computer and Applications, 2013, 3(4): 80-83 (in Chinese)

(宋巍, 張宇, 謝毓彬, 等. 基于微博分類的用戶興趣識(shí)別[J]. 智能計(jì)算機(jī)與應(yīng)用, 2013, 3(4): 80-83)

[12] Li Jingyang, Sun Maosong, Zhang Xian. A comparison and semi-quantitative analysis of words and character-bigrams as features in Chinese text categorization [C] //Proc of the 21st Int Conf on Computational Linguistics and the 44th Annual Meeting of the Association for Computational Linguistics. Stroudsburg, PA: ACL, 2006: 545-552

[13] Michelson M, Macskassy S A. Discovering users’ topics of interest on Twitter: A first look[C] //Proc of the Workshop on Analytics for Noisy Unstructured Text Data. New York: ACM, 2010: 73-80

[14] Zhao Xin, Jiang Jing, Weng Jianshu, et al. Comparing Twitter and traditional media using topic models[G] //LNCS 6611: Advances in Information Retrieval. Berlin: Springer, 2011: 338-349

[15] Xu Zhiheng, Ru Long, Xiang Liang, et al. Discovering user interest on Twitter with a modified author-topic model[C] //Proc of IEEE/WIC/ACM Int Conf on Web Intelligence. New York: ACM, 2011: 422-429

[16] Sasaki K, Yoshikawa T, Furuhashi T. Twitter-TTM: An efficient online topic modeling for Twitter considering dynamics of user interests and topic trends[C] //Proc of Int Symp on Soft Computing and Intelligent Systems. Piscataway, NJ: IEEE, 2014: 440-445

[17] Guo Hongjian, Chen Yifei. User interest detecting by text mining technology for microblog platform[J]. Arabian Journal for Science & Engineering, 2016, 41(8): 3177-3186

[18] Abel F, Gao Qi, Houben G J, et al. Analyzing temporal dynamics in Twitter profiles for personalized recommenda-tions in the social Web[C] //Proc of Int Web Science Conf. New York: ACM, 2011: 1-8

[19] Jin Xin, Wang Chi, Luo Jiebo, et al. LikeMiner: A system for mining the power of ‘like’ in social media networks[C] //Proc of ACM SIGKDD Int Conf on Knowledge Discovery and Data Mining. New York: ACM, 2012: 753-756

[20] Orlandi F, Breslin J, Passant A. Aggregated, interoperable and multi-domain user profiles for the social Web[C] //Proc of Int Conf on Semantic Systems. New York: ACM, 2012: 41-48

[21] Wang J, Zhao W X, He Y, et al. Infer user interests via link structure regularization[J]. ACM Trans on Intelligent Systems & Technology, 2014, 5(2): 1-22

[22] Vosecky J, Leung W T, Ng W. Collaborative personalized Twitter search with topic-language models[C] //Proc of Special Interest Group on Information Retrieval. New York: ACM, 2014: 53-62

[23] Bhattacharya P, Zafar M B, Ganguly N, et al. Inferring user interests in the Twitter social network[C] //Proc of the 8th ACM Conf on Recommender Systems.New York: ACM, 2014: 357-360

[24] Zhao Zhe, Cheng Zhiyuan, Hong Lichan, et al. Improving user topic interest profiles by behavior factorization[C] //Proc of Int Conf on World Wide Web. New York: ACM, 2015: 1406-1416