广度学习研究进展:基于情报学的视角

发布时间：2021-12-30 19:46

　　[目的/意义]总结了基于在线社交媒体数据的广度学习工作研究进展,从情报学的视角分析了广度学习的应用展望及未来发展趋势。[方法/过程]利用文献统计分析方法,重点分析了广度学习技术在网络嵌入、链路预测、社区检测等在线社交网络分析领域的应用现状。[结果/结论]广度学习可以将多个不同种类的大型异构数据源融合在一起,设计并使用一套统一的分析方法来跨越这些融合的数据源执行协同数据挖掘任务。广度学习在异构社交网络分析中的这些成功应用为其在情报学领域中的研究奠定了理论基础和技术支持,将会有更广泛更深远的研究成果出现。 

【文章来源】：情报理论与实践. 2020,43(04)北大核心CSSCI

【文章页数】：9 页

【部分图文】：

广度学习在异构社交网络媒体数据挖掘中的应用

现有的POI推荐模型虽然综合考虑了时间、空间和社会信息等,但较少将标签、类别等文本信息纳入探索的范围内。通过同时对POI特征和用户表示相关的文本信息进行建模,并与两种不同的深度神经网络组合在一起,一种基于广度学习的深度上下文内容感知POI推荐模型DCPR(Deep Context aware POI Recommendation)被提出[23]。DCPR模型通过融合不同来源的用户信息,从结构上学习POI特征和用户表示,以提高POI推荐任务的效果。DCPR模型是由多个深度神经网络组成的多层深度架构,其结构如图2所示,它包含三个协作层,分别是用于POI特征挖掘的CNN层、用于顺序建模和用户偏好建模的RNN层以及基于矩阵分解的交互层,三层结构共同联合优化整体模型。DCPR框架运作的过程如下:首先,多层深度神经网络的组合可以将POI文本信息映射到高维非线性的潜在空间中,通过用户偏好和登记序列来学习用户表示。其次,利用卷积神经网络CNN进行特征提取,捕获POI的语义信息,并保留原始文件和单词序列。然后,利用长短期记忆网络LSTM建模登记序列以用来存储用户偏好。LSTM与CNN以结构方式连接,LSTM通过将表示向量作为来自CNN的输入来学习用户偏好和具有POI语义信息的先验知识的序列模式。最后,顶层的个性化排序层联合优化前两层中产生的潜在表示,进一步改进前两层中学到的潜在特征,以产生更准确的模式和更好的推荐。DCPR框架是一个端到端的深度模型,它以分层的形式引入了CNN和RNN两种深度神经网络,以分别进行POI表示学习和用户表示学习,具有较好的鲁棒性。与传统的忽略了文本内容的模型相比,DCPR模型可以促进登记序列建模以学习更有效的用户潜在表示,且它可以有区别地学习不同的源信息,因而可以用于解决涉及多源异构网络学习的一般问题。

然后,与上述过程类似,利用线下企业内部提供的各种社会信息计算出员工之间的亲密度分数EIO(u,v) 和亲密度矩阵AO, 并分别进行微型企业社区内部融合,得到在线一致的社区和本地一致的社区。最后,通过采用正则化的方法,将存在于企业内部的本地一致社区与ESNs中的在线一致社区进行社区结构融合,最终得到线上线下一致的员工社区结构。

【参考文献】：
期刊论文
[1]大数据对情报学研究的影响[J]. 马费成,张瑞,李志元.  图书情报知识. 2018(05)
[2]机器学习在图书情报领域的应用研究[J]. 张坤,王文韬,谢阳群.  图书馆学研究. 2018(01)
[3]迁移学习研究综述[J]. 王惠.  电脑知识与技术. 2017(32)
[4]知识迁移的极大熵聚类算法及其在纹理图像分割中的应用[J]. 程旸,蒋亦樟,钱鹏江,王士同.  智能系统学报. 2017(02)
[5]稀疏分层概率自组织图实例迁移学习方法[J]. 吴蕾,田儒雅,张学福.  计算机应用. 2016(03)
[6]基于多源数据融合的协同推荐方法[J]. 柯福顺,姚晓辉.  电信科学. 2015(07)
[7]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植.  软件学报. 2015(01)
[8]情报科学史（Ⅴ）[J]. Dorothy B.Lilley,Ronald W.Trice,汪冰.  情报科学. 1994(01)



本文编号：3558858