SoMeR: Multi-View User Representation Learning for Social Media

用户表示学习旨在以低维向量表示捕捉用户偏好、兴趣和行为。这些表示在推荐系统和广告中有广泛的应用，然而，现有方法通常依赖于特定的特征，如文本内容、活动模式或平台元数据，未能全面地对不同模态下的用户行为进行建模。为了解决这个限制，我们提出了SoMeR，一个社交媒体用户表示学习框架，它结合了时间活动、文本内容、个人资料信息和网络互动，学习全面的用户画像。SoMeR将用户发布流编码为时间戳文本特征序列，使用transformers将其与个人资料数据一起嵌入，并与链接预测和对比学习目标一起进行联合训练，以捕捉用户相似性。我们通过两个应用程序展示了SoMeR的多功能性：1）通过检测同时发布类似内容的用户，识别参与协调影响操作的不真实账户，2）通过量化不同信仰用户在嵌入空间中的距离如何增加，衡量重大事件后在线讨论中的极化程度。SoMeR全面建模用户的能力，为解决有关虚假信息、社会紧张和在线行为理解等重要问题提供了新的解决方案。

本文旨在解决用户表示学习中特征限制的问题，提出了一个综合考虑用户行为的SoMeR框架。

SoMeR框架综合考虑了社交媒体用户的时间序列活动、文本内容、个人资料和网络互动等多种因素，采用transformers编码用户帖子流，结合链接预测和对比学习目标进行联合训练，以捕捉用户相似性。

本文提出的SoMeR框架具有广泛的应用价值，可以应用于推荐系统、广告、虚假账户检测、社会紧张局势监测等领域。实验中使用了两个应用来展示SoMeR的多功能性，并提供了数据集和开源代码。

近期的相关研究包括《GraphSAGE: Inductive Representation Learning on Large Graphs》、《DeepWalk: Online Learning of Social Representations》、《BERT: Pre-training of Deep Bidirectional Transformers for Language Understanding》等。