面向社會媒體的用戶消費意圖分析關鍵技術研究.pdf

1、隨著網絡媒體技術的發(fā)展和普及，Twitter、新浪微博等社會媒體成為了最普遍的信息發(fā)布、傳播和共享的工具。在這些用戶生成的數據中蘊含著用戶為了滿足某種需求，在一定購買動機的支配下，表達出對某產品或服務的購買意愿，我們將此意愿稱之為消費意圖。消費意圖分析，即針對用戶表現出的這些購買意愿進行分析、識別、挖掘和推理的過程。
　　面向社會媒體的用戶消費意圖分析主要包含兩大類內容：其一是基于文本內容的消費意圖分析，即用戶明確表達了對產品或服

2、務的購買意愿。基于文本內容的消費意圖主要包含兩個重要元素，分別是消費意圖觸發(fā)詞和消費意圖對象，這兩種元素直接引發(fā)用戶的購買意愿，是決定用戶消費意圖的重要特征；其二是基于用戶偏好的消費意圖分析，用戶并未明確表達對產品或服務的購買意愿，可以通過用戶行為信息等表現出對消費需求的偏好，來判斷用戶的消費意圖。本文的研究工作涵蓋了上面兩類問題。我們充分利用互聯網上豐富的文本數據、用戶的群體智慧信息、詞匯的語義知識庫、以及用戶的行為等信息源，結合機器

3、學習、統計機器翻譯和信息檢索等方法，對社會媒體的用戶消費意圖分析這一問題進行探索。本文的主要研究內容可概括如下：
　　1.基于特征遷移學習的消費意圖語料獲取。針對于社會媒體的用戶消費意圖分析問題而言，首先面臨著缺乏訓練語料的問題，而嚴重的數據稀疏問題導致人工標注語料的代價較大。為解決社會媒體中的消費意圖語料獲取這一問題，本章自動獲取了互聯網上用戶生成的具有消費意圖的異質文本，進而將消費意圖語料獲取看作為領域自適應學習問題。具體來說

4、，本文首先提出了一種基于用戶自然標注（查詢-點擊URL）的方法構建大規(guī)模源領域訓練語料，解決了有指導方法需要人工標注的問題。其次，為了融合領域間相似性和差異性，引入了共享特征和特有特征的概念，使得從源領域訓練的分類器可以直接分類目標領域未標注的數據，進而將特有特征嵌入到目標領域的訓練中，采用自動生成大規(guī)模消費意圖語料的方法來提高消費意圖檢測模型的性能。
　　2.基于圖排序的消費意圖檢測。以往基于有指導的消費意圖檢測方法大多依賴于人

5、工標注訓練語料，這種方法在實際中是相當費時費力的。為了充分利用標注數據和未標注數據共同提升系統的性能，本章使用了基于弱監(jiān)督的圖排序算法。該方法適用于總數據量較大、已標注數據量相對較小的情形中，并且可以使未標注數據和標注數據同時參與到圖排序算法的學習過程中。本章將未標注數據和標注數據的關系描述為一個無向圖，其中數據集中的每個樣本表示圖上的一個節(jié)點，每一個具有相似性關系的節(jié)點對連接成圖上的一條邊，利用圖的結構將節(jié)點權重值傳遞給其相鄰節(jié)點，以

6、此來為每一個節(jié)點計算權重值，按照最終的節(jié)點權重值確定節(jié)點類別。此外，與傳統的基于特征訓練分類器來檢測消費意圖的方法進行了對比，實驗結果表明，本文提出的基于圖排序的方法獲得了更好的結果。
　　3.基于單語詞對齊模型的消費意圖對象抽取。消費意圖對象，亦即用戶在具有消費意圖的文本中期望購買的產品或服務，是用戶的消費意圖得以滿足的明確目標。消費意圖對象通常是一個詞序列形式的文本片段，消費意圖對象抽取是將這樣的詞序列從具有消費意圖的文本中抽

7、取出來。本章將消費意圖對象抽取分為兩個步驟：（1）消費意圖對象候選抽?。唬?）消費意圖對象修正。具體的，在消費意圖對象候選抽取中，為保證消費意圖對象抽取的完整性，本章提出在消費意圖對象抽取中引入詞對齊的搭配信息和觸發(fā)詞信息，在不需要人工干預的情況下有效地抽取出消費意圖對象候選。進一步，通過引入限定域知識庫對消費意圖對象修正，從而提高消費意圖對象抽取系統的性能。
　　4.基于用戶偏好的消費意圖識別。不同于已有的基于文本內容的消費意圖

8、分析研究，提出了融合社會媒體用戶偏好的消費意圖識別方法。該方法將消費意圖識別視作多標記分類問題，并綜合使用了基于用戶關注者的標簽特征、領域標簽特征、轉發(fā)/回復行為特征以及用戶性別特征等多種特征。由于融合用戶偏好的消費意圖識別難以評價，自動抽取了大量跨不同媒體的用戶鏈指信息，利用該方法，共抽取出12萬余對的用戶鏈指。在此自動評價集上的實驗結果表明，所采用的多標記分類方法對用戶的消費意圖識別是行之有效的，其中使用的各種特征對于提高消費意圖識