崔婉秋，杜軍平，周南，梁美玉

隨著在線社交網(wǎng)絡(luò)信息發(fā)布、傳播以及分享的功能越來(lái)越完善，大量用戶持續(xù)活躍，積累了文本、圖片和視頻等海量數(shù)據(jù)，導(dǎo)致網(wǎng)絡(luò)空間中的信息急劇膨脹。然而這些龐大的數(shù)據(jù)中蘊(yùn)藏著極為有價(jià)值的潛在信息，傳統(tǒng)的在線社交網(wǎng)絡(luò)搜索技術(shù)難以滿足用戶的深層次、個(gè)性化的精準(zhǔn)需求。因此近年來(lái)社交網(wǎng)絡(luò)搜索吸引了國(guó)內(nèi)外學(xué)者的普遍關(guān)注，如對(duì)社交網(wǎng)絡(luò)個(gè)性化搜索技術(shù)的研究[1-2]以及美國(guó)的實(shí)時(shí)搜索引擎Google和Scoopler等。通過(guò)抓取Twitter、Facebook等社交網(wǎng)絡(luò)上用戶隨時(shí)隨地發(fā)布的海量信息，可以給人們提供最新的搜索內(nèi)容。大量社交網(wǎng)絡(luò)數(shù)據(jù)產(chǎn)生的同時(shí)使得數(shù)據(jù)的形式和表達(dá)具有多樣性，簡(jiǎn)單的用戶搜索匹配方法不再能夠滿足用戶的搜索需求，返回的結(jié)果也不能精確匹配用戶的初始意圖。因此國(guó)內(nèi)外眾多學(xué)者深入開(kāi)展了基于用戶搜索意圖理解的在線社交網(wǎng)絡(luò)精準(zhǔn)搜索與挖掘研究[1,3-8]，該研究具有重要的理論意義和廣泛的應(yīng)用價(jià)值。

對(duì)用戶搜索意圖的理解是在用戶多模態(tài)輸入及消除語(yǔ)義歧義性的基礎(chǔ)上，充分結(jié)合用戶的上下文語(yǔ)境和語(yǔ)義知識(shí)，迅速、準(zhǔn)確地理解和定位用戶的真實(shí)意圖，并結(jié)合匹配、推理、計(jì)算以及眾包等技術(shù)，給出真正滿足用戶需求的精準(zhǔn)搜索結(jié)果。用戶搜索意圖的分析、提取與匹配是社交網(wǎng)絡(luò)智能精準(zhǔn)搜索的研究重點(diǎn)，針對(duì)用戶意圖的搜索模式目前已經(jīng)取得了不少成果，但是現(xiàn)有的搜索意圖理解多是經(jīng)驗(yàn)式的，僅是分析性而非預(yù)測(cè)性的，仍缺少統(tǒng)一的理論和算法對(duì)搜索意圖的理解進(jìn)行指導(dǎo)。因此，在大數(shù)據(jù)時(shí)代，面對(duì)海量的跨媒體信息實(shí)現(xiàn)基于用戶搜索意圖理解的在線社交網(wǎng)絡(luò)精準(zhǔn)搜索與挖掘技術(shù)是必然的發(fā)展趨勢(shì)。

1 基于知識(shí)圖譜的在線社交網(wǎng)絡(luò)多模態(tài)信息感知

通過(guò)對(duì)在線社交網(wǎng)絡(luò)用戶信息的深入挖掘，有效地全面理解用戶的搜索意愿，構(gòu)建虛擬空間的知識(shí)圖譜，為特定虛擬空間中網(wǎng)絡(luò)用戶搜索意圖的發(fā)現(xiàn)提供數(shù)據(jù)支持[5-7]。針對(duì)在線社交網(wǎng)絡(luò)數(shù)據(jù)簡(jiǎn)短、背景信息依賴明顯等問(wèn)題，目前的研究多是將數(shù)據(jù)的語(yǔ)義分布與背景信息相結(jié)合[8-10]，一方面用于解決社交網(wǎng)絡(luò)數(shù)據(jù)語(yǔ)義稀疏的問(wèn)題[11-13]，另一方面用于社交網(wǎng)絡(luò)語(yǔ)義分布與線下的用戶行為、位置特征的關(guān)聯(lián)[14-16]。時(shí)空特征作為社交網(wǎng)絡(luò)數(shù)據(jù)最主要的背景信息之一是理解用戶搜索意圖的關(guān)鍵[17-18]。來(lái)自在線社交網(wǎng)絡(luò)的文本或圖像數(shù)據(jù)中蘊(yùn)含著豐富的時(shí)空信息，可以利用自然語(yǔ)言處理技術(shù)識(shí)別文本中隱含的時(shí)空信息，利用圖像場(chǎng)景分類方法判斷圖像場(chǎng)景類別，確定圖像隱含的時(shí)空信息[19-20]。

此外，考慮到社交網(wǎng)絡(luò)數(shù)據(jù)具有明顯的時(shí)空標(biāo)簽，直接利用時(shí)空標(biāo)簽信息獲取更多的附加信息也是當(dāng)前的研究熱點(diǎn)。社交關(guān)系作為社交網(wǎng)絡(luò)另一項(xiàng)主要的背景信息，同樣是理解用戶搜索意圖的重點(diǎn)[21-22]。相關(guān)研究更多是將社交關(guān)系作為數(shù)據(jù)語(yǔ)義的補(bǔ)充以此來(lái)實(shí)現(xiàn)社交網(wǎng)絡(luò)數(shù)據(jù)語(yǔ)義的提取，完成社交用戶群體發(fā)現(xiàn)、興趣分布等工作，從用戶信息中挖掘用戶的搜索意圖[23-25]。此類基于數(shù)據(jù)聚合的方法在用戶層面進(jìn)行主題分類、社區(qū)發(fā)現(xiàn)或者朋友推薦等方面取得了較好的效果，然而仍然不能解決單一短文本的語(yǔ)義獲取問(wèn)題[26-28]。一些學(xué)者對(duì)社交網(wǎng)絡(luò)對(duì)象的語(yǔ)義表達(dá)[29-30]、社交關(guān)聯(lián)模型的建立和進(jìn)化[31]、時(shí)空?qǐng)D像特征感知和去噪[32]、基于聚類集成的社交網(wǎng)絡(luò)圖像分割[33]等工作開(kāi)展了廣泛研究。還有一些研究將社交網(wǎng)絡(luò)的稀疏語(yǔ)義與其關(guān)聯(lián)特征相結(jié)合，在短文本語(yǔ)義提取方面進(jìn)行了探索，針對(duì)在線社交網(wǎng)絡(luò)短文本語(yǔ)義特點(diǎn)，優(yōu)化文本語(yǔ)義的理解，挖掘用戶隱藏的搜索意圖。下面將分析基于用戶搜索意圖的社交網(wǎng)絡(luò)搜索中的兩個(gè)技術(shù)，即信息感知與知識(shí)圖譜的構(gòu)建。

1.1 多模態(tài)信息感知

在社交網(wǎng)絡(luò)的大量數(shù)據(jù)中蘊(yùn)含著豐富的社會(huì)事件發(fā)生和發(fā)展的過(guò)程，如何有效地從這些數(shù)據(jù)中挖掘出有價(jià)值的信息是當(dāng)前社交網(wǎng)絡(luò)分析的重要問(wèn)題[34]。基于社交網(wǎng)絡(luò)跨媒體多模態(tài)事件的感知通過(guò)分析社交中的文本、時(shí)間地點(diǎn)、圖像、評(píng)論、觀點(diǎn)、情感和用戶交互等多模態(tài)數(shù)據(jù)，感知事件整體發(fā)展過(guò)程，并刻畫(huà)出各事件彼此的關(guān)聯(lián)，進(jìn)而實(shí)現(xiàn)對(duì)信息的全方位獲取。

信息感知是指假設(shè)被感知數(shù)據(jù)來(lái)自n個(gè)多模態(tài)異構(gòu)數(shù)據(jù)源，且對(duì)不同觀測(cè)對(duì)象均從m個(gè)維度來(lái)描述，則能獲得一組多源異構(gòu)多模態(tài)的感知數(shù)據(jù)。在線社交網(wǎng)絡(luò)多模態(tài)數(shù)據(jù)信息感知的形成過(guò)程分為以下4步：

1）信息獲取。根據(jù)在線用戶顯性或隱性地提出獲取感知信息的需求，由系統(tǒng)分析后自動(dòng)給出可能的請(qǐng)求結(jié)果。

2）信息過(guò)濾。由于多模態(tài)信息的數(shù)據(jù)形式及種類多樣，大量的反饋信息給用戶帶來(lái)一定的困擾，因此還需預(yù)先定義好過(guò)濾規(guī)則，建立過(guò)濾引擎。將感知收集信息過(guò)濾后，存儲(chǔ)并返回給相關(guān)用戶。其中信息過(guò)濾機(jī)制可以是用戶自定義的規(guī)則，便于個(gè)性化地定義自己想要獲取的信息，可以提高感知信息的效率，或基于感知強(qiáng)度計(jì)算得出。

3）信息的感知。由感知引擎提供獲取方法和工具，進(jìn)一步分析用戶交互結(jié)構(gòu)和社交網(wǎng)絡(luò)特性、社區(qū)形成的規(guī)模、用戶所處位置等信息，獲取用戶社交中的身份、發(fā)布的資源和參與的社交活動(dòng)。

4）信息顯示。最后將感知信息顯示出來(lái)，呈現(xiàn)給社交網(wǎng)絡(luò)中的用戶或需求者。

在線社交網(wǎng)絡(luò)環(huán)境中活躍的用戶在交互時(shí)，能夠從彼此顯性溝通和隱性非直接的溝通中獲取對(duì)方的需求感知信息。但實(shí)際應(yīng)用中，用戶可能發(fā)現(xiàn)的知識(shí)和信息感知程度較低，會(huì)損失用戶之間交流溝通的機(jī)會(huì)。因此隨著社交網(wǎng)絡(luò)多模態(tài)信息大量涌現(xiàn)，對(duì)信息感知技術(shù)的要求更加緊迫，只有用戶能夠更好地感知網(wǎng)絡(luò)動(dòng)態(tài)數(shù)據(jù)，才能夠更深入全面地參與到社交活動(dòng)中來(lái)，了解彼此的社交動(dòng)態(tài)并挖掘出潛在的社交行為和關(guān)系，增大用戶決策和溝通的效率。

1.2 知識(shí)圖譜的構(gòu)建

知識(shí)圖譜[35-36]是Google提出的用于把復(fù)雜知識(shí)領(lǐng)域的信息通過(guò)數(shù)據(jù)挖掘和信息處理，展示該知識(shí)領(lǐng)域的動(dòng)態(tài)發(fā)展規(guī)律。其構(gòu)建目的是便于社交網(wǎng)絡(luò)的搜索理解，能夠按照用戶的搜索內(nèi)容自動(dòng)辨別其涉及的最相關(guān)實(shí)體及其屬性等，根據(jù)實(shí)體的重要性揭示相對(duì)應(yīng)的知識(shí)卡片，最后改善查詢結(jié)果。利用相關(guān)實(shí)體發(fā)掘來(lái)推薦其他用戶可能感興趣的實(shí)體供進(jìn)一步查閱。知識(shí)圖譜可以在以下3個(gè)方面提升搜索體驗(yàn)：

1）理解用戶查詢的初始意圖。搜索請(qǐng)求具有靈活性，可能表示多重含義。知識(shí)圖譜將信息全面發(fā)掘并顯現(xiàn)出來(lái)，將搜索結(jié)果范圍縮小到最接近用戶意圖的含義，可以讓用戶自主確定最終滿意的結(jié)果。

2）提供最全面的搜索信息。更好地全面理解用戶搜索信息，挖掘所有與搜索話題相關(guān)的內(nèi)容，幫助用戶了解各事物及信息之間的關(guān)系。

3）拓寬了用戶搜索的深度及廣度。構(gòu)建與用戶搜索結(jié)果相關(guān)的完整知識(shí)體系，使用戶獲取搜索需求之外的知識(shí)發(fā)現(xiàn)。在搜索過(guò)程中，用戶有可能同時(shí)認(rèn)識(shí)到搜索需求以外的某個(gè)新事實(shí)或新聯(lián)系，引導(dǎo)用戶開(kāi)始一些全新的搜索查詢。

基于知識(shí)圖譜的用戶搜索初始意圖發(fā)現(xiàn)方法利用知識(shí)庫(kù)中含有的詞間聯(lián)系，對(duì)用戶搜索中的請(qǐng)求文本調(diào)整權(quán)重，從而提高分類準(zhǔn)確率，提高搜索意圖挖掘效果。其構(gòu)建技術(shù)是自底向上并迭代進(jìn)行更新的過(guò)程，每次更新包括3個(gè)步驟：信息的抽取、知識(shí)融合和加工。其中抽取是指從多模態(tài)的數(shù)據(jù)源中抽取出實(shí)體、屬性及實(shí)體間的關(guān)聯(lián)關(guān)系，以便形成本體知識(shí)的表達(dá)；知識(shí)融合是對(duì)抽取的數(shù)據(jù)進(jìn)行實(shí)體鏈接及知識(shí)合并，消除實(shí)體之間的歧義性、共指消解的分類和聚類等操作，然后對(duì)獲取的知識(shí)進(jìn)行合并，主要是對(duì)外部的知識(shí)庫(kù)和內(nèi)部關(guān)系數(shù)據(jù)庫(kù)的合并。最后進(jìn)行知識(shí)加工，構(gòu)建對(duì)概念統(tǒng)一模式規(guī)范的本體，描述客觀世界中的抽象概念模型，然后進(jìn)行知識(shí)推理和質(zhì)量評(píng)估，完成最終的知識(shí)圖譜的構(gòu)建。

在線社交網(wǎng)絡(luò)產(chǎn)生的信息在網(wǎng)絡(luò)上的呈現(xiàn)并不僅僅局限于單一的文本模式，而是集簽到、圖像、視頻等各種模態(tài)數(shù)據(jù)的信息綜合體，同時(shí)伴隨產(chǎn)生了時(shí)間、空間、結(jié)構(gòu)、社會(huì)關(guān)系等一系列隱含信息。多模態(tài)信息所蘊(yùn)含的語(yǔ)義是單純文本所無(wú)法比擬的，其極大地豐富了知識(shí)空間，為理解用戶意圖提供了充足的數(shù)據(jù)支持。因此，需要基于高效的數(shù)據(jù)感知技術(shù)獲取特定虛擬空間內(nèi)跨媒體大數(shù)據(jù)，并提取隱含其中的時(shí)空、結(jié)構(gòu)關(guān)系、社交關(guān)系等背景特征知識(shí)，建立多模態(tài)信息的知識(shí)圖譜。其數(shù)據(jù)大部分來(lái)源于專業(yè)知識(shí)領(lǐng)域的網(wǎng)站，將文本或圖像、視頻中的共現(xiàn)知識(shí)信息為實(shí)體建立聯(lián)系，并利用該關(guān)系幫助搜索內(nèi)容特征的提取，調(diào)整權(quán)重，最后使用文本或圖像分類算法對(duì)搜索分類，深度挖掘用戶搜索意圖。將獲取的感知數(shù)據(jù)與其隱含、關(guān)聯(lián)的背景特征相結(jié)合是分析社交網(wǎng)絡(luò)信息的基礎(chǔ)，是理解用戶搜索意圖以及構(gòu)建社交網(wǎng)絡(luò)精準(zhǔn)搜索研究的關(guān)鍵科學(xué)問(wèn)題。

2 跨媒體大數(shù)據(jù)的深度語(yǔ)義學(xué)習(xí)與分析

在線社交網(wǎng)絡(luò)產(chǎn)生的數(shù)據(jù)大部分是異構(gòu)、離散且沒(méi)有結(jié)構(gòu)的，隱含了豐富的多屬性、多模態(tài)語(yǔ)義信息。多模態(tài)數(shù)據(jù)之間存在著千絲萬(wàn)縷的語(yǔ)義關(guān)聯(lián)，結(jié)合獲得的時(shí)空等信息，對(duì)社交網(wǎng)絡(luò)用戶進(jìn)行搜索意圖分析與行為意圖理解，可以從不同角度來(lái)掌握用戶在社交平臺(tái)上的各種網(wǎng)絡(luò)行為特征。因此需要結(jié)合多屬性、多形式的特征對(duì)社交網(wǎng)絡(luò)在語(yǔ)義層面上對(duì)大量數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，從多角度挖掘出用戶在社交網(wǎng)絡(luò)活動(dòng)中的意圖模式和意圖特征。通過(guò)對(duì)多屬性、多模態(tài)社交網(wǎng)絡(luò)大數(shù)據(jù)的深度語(yǔ)義學(xué)習(xí)與分析建模，可以實(shí)現(xiàn)異常用戶意圖特征的實(shí)時(shí)獲取以及凸顯用戶意圖的實(shí)時(shí)表達(dá)，這對(duì)提升社會(huì)熱點(diǎn)話題的感知能力以及社交網(wǎng)絡(luò)異常意圖用戶的發(fā)現(xiàn)能力具有促進(jìn)作用。

2.1 大數(shù)據(jù)語(yǔ)義分析

大數(shù)據(jù)語(yǔ)義分析為基于社交網(wǎng)絡(luò)大數(shù)據(jù)的用戶意圖理解與分析提供了關(guān)鍵的支持。隨著異構(gòu)數(shù)據(jù)的快速產(chǎn)生，其以不同媒體的形式存在，如何從異構(gòu)數(shù)據(jù)中辨別出相應(yīng)所需的概念成為了當(dāng)前的研究熱點(diǎn)。

1）文本分析技術(shù)

可以根據(jù)知識(shí)源或模型粒度的不同進(jìn)行分類，如表1所示。

2）多模態(tài)分析技術(shù)

對(duì)于社交網(wǎng)絡(luò)中不斷涌現(xiàn)的多模態(tài)數(shù)據(jù)形式，單純的分析文本已經(jīng)不能夠滿足對(duì)社交網(wǎng)絡(luò)數(shù)據(jù)的分析和挖掘，因此有大量研究針對(duì)于文本及圖像、視頻等數(shù)據(jù)綜合進(jìn)行語(yǔ)義分析。如M. I. Blei等[40]在分析文本和圖像的基礎(chǔ)上，分別采用了3種不同的生成模型：文本和圖像主題為同一主題的主題強(qiáng)相關(guān)模型、文本和圖像主題分別從同一主題分布中采樣得到的弱相關(guān)模型，以及假設(shè)文本以圖像標(biāo)注形式存在的，文本主題從圖像主題中均勻采樣得到的文本圖像主題生成模型。使用Corr-LDA模型建模，將文本與圖像映射到同一主題語(yǔ)義空間中，在圖像標(biāo)注及跨模態(tài)檢索上都取得了很好的效果。Jingwen Bian[41]在研究跨媒體數(shù)據(jù)的基礎(chǔ)上提出了MMLDA模型，將多模態(tài)的數(shù)據(jù)映射在主題空間中，用以發(fā)現(xiàn)社交網(wǎng)絡(luò)中事件的子事件，形成事件摘要。

表1 文本分析技術(shù)分類Table 1 Classification of text analysis techniques

上述以LDA為基礎(chǔ)的生成模型中，都是嚴(yán)格以文本圖像為研究對(duì)象，假設(shè)其具有同樣的主題分布，或者一種模態(tài)的主題分布依賴于另一種模型的主題分布。然而現(xiàn)實(shí)生活中對(duì)同一事件或者物體的描述不僅在媒介上為異質(zhì)異構(gòu)數(shù)據(jù)，通常情況下在內(nèi)容、數(shù)量、層次粒度上也并不是一一對(duì)應(yīng)的。王智愚等[42]提出了一種社會(huì)多媒體的雙向語(yǔ)義關(guān)聯(lián)模型，對(duì)文本、圖像主題多種情況下的依賴關(guān)系建模；Wang等[43]提出了一種多模態(tài)共同話題推理模型，為多模態(tài)建立共享語(yǔ)義空間的同時(shí)加入了額外的類別信息，在跨模態(tài)檢索任務(wù)中取得了很好的效果；Kang等[44]使用矩陣分解方法，通過(guò)學(xué)習(xí)特征的一致性表示，為非成對(duì)數(shù)據(jù)的跨模態(tài)檢索提供了可能。

2.2 深度學(xué)習(xí)語(yǔ)義分析

對(duì)用戶搜索意圖的圖像理解常用方法是深度神經(jīng)網(wǎng)絡(luò)，常用的兩種深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有AlexNet[45]和VGG-Net[46]。深度學(xué)習(xí)得到的特征相比手工提取的特征在社交網(wǎng)絡(luò)用戶的搜索意圖理解中能夠取得更好的效果。深度神經(jīng)網(wǎng)絡(luò)語(yǔ)義分析模型具有自動(dòng)提取特征的優(yōu)點(diǎn)，可以找出有效的特征進(jìn)行分類，所以也稱為表示學(xué)習(xí)。社交網(wǎng)絡(luò)帶來(lái)的大數(shù)據(jù)給神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)提供了大量的訓(xùn)練樣本，而GPU的使用給運(yùn)行速度提供了保障。面向用戶意圖的搜索理解中對(duì)圖像特征的提取主流的方法是采用卷積神經(jīng)網(wǎng)絡(luò)提取CNN特征[47-49]，圖像與文本的語(yǔ)義學(xué)習(xí)可以在不同的深度語(yǔ)義層面上對(duì)圖像CNN特征和文本特征進(jìn)行映射學(xué)習(xí)[50-51]。

深度學(xué)習(xí)已經(jīng)廣泛用于文本、圖像、視頻和語(yǔ)音各方面的深度語(yǔ)義分析，基于神經(jīng)網(wǎng)絡(luò)的語(yǔ)言模型最早是由Bengio提出的，主要解決了泛化問(wèn)題，通過(guò)嵌入和3層網(wǎng)絡(luò)把詞映射到空間中的一個(gè)點(diǎn)，最終輸出了下一個(gè)詞的概率。此外為圖像特征與語(yǔ)義詞建立共享空間已應(yīng)用在跨模態(tài)搜索中[52]，對(duì)于用戶意圖理解得到了很好的效果。以學(xué)習(xí)哈希函數(shù)為基礎(chǔ)保留多標(biāo)記圖像之間多層次語(yǔ)義相似性的深度語(yǔ)義排序方法[53-54]以及將深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)合哈希函數(shù)來(lái)共同學(xué)習(xí)特征表示和映射，已應(yīng)用于對(duì)社交網(wǎng)絡(luò)用戶意圖搜索的語(yǔ)義理解中。用區(qū)域生成方法[55]對(duì)圖像生成候選區(qū)域，結(jié)合訓(xùn)練好的CNN模型在這些區(qū)域上提取語(yǔ)義特征，最后利用線性SVM進(jìn)行分類，能夠得到更好的搜索結(jié)果。

3 在線社交網(wǎng)絡(luò)精準(zhǔn)搜索與挖掘

社交網(wǎng)絡(luò)搜索與傳統(tǒng)網(wǎng)絡(luò)的搜索應(yīng)用形式相比，信息的傳播速度更快、傳播方式更加隱蔽，覆蓋人群更廣、用戶的交互也更加頻繁。因此基于用戶搜索意圖理解的智能精準(zhǔn)搜索不再局限于針對(duì)跨媒體內(nèi)容的搜索，而是涵蓋了網(wǎng)絡(luò)產(chǎn)生的信息以及與其相關(guān)的所有外部信息的全面搜索，包括社交關(guān)系搜索、社交行為搜索以及線上線下關(guān)聯(lián)信息搜索等，需要有效地挖掘出社交網(wǎng)絡(luò)中各種跨媒體的時(shí)空信息，分析隱含的特有屬性，并結(jié)合知識(shí)庫(kù)體系、語(yǔ)義推理演算等，才能彌補(bǔ)傳統(tǒng)搜索在信息關(guān)聯(lián)等方面的缺陷，實(shí)現(xiàn)對(duì)在線社交網(wǎng)絡(luò)跨媒體大數(shù)據(jù)的組織和管理，并對(duì)在線社交網(wǎng)絡(luò)的精準(zhǔn)搜索提供底層索引支持和基于本體知識(shí)庫(kù)的搜索拓展。

3.1 用戶搜索意圖理解與匹配

目前的搜索引擎對(duì)于用戶查詢僅僅從關(guān)鍵詞角度出發(fā)進(jìn)行相似度匹配，而不是從用戶搜索意圖出發(fā)搜尋相關(guān)信息，使得返回結(jié)果和搜索意圖有較大出入。在該方面的研究中，Wolframalpha從公眾和已授權(quán)資源中發(fā)掘并構(gòu)建的數(shù)據(jù)庫(kù)，能夠理解用戶查詢需求并迅速給出結(jié)果。搜狗的“知立方”引入了用戶查詢語(yǔ)義的理解技術(shù)，試圖分析用戶的查詢目標(biāo)，對(duì)搜索結(jié)果進(jìn)行重新優(yōu)化計(jì)算[56]。Park等[57]提出了利用搜索上下文來(lái)預(yù)測(cè)用戶的搜索意圖；Gupta等[58]提出了使用用戶查詢?nèi)罩镜姆椒?，?duì)日志分析并預(yù)測(cè)出用戶的搜索目標(biāo)；王大玲等[59]提出了利用決策樹(shù)的方法識(shí)別用戶搜索意圖。在意圖匹配方面，基于文本模型的匹配通過(guò)以關(guān)鍵詞查詢檢索的方式，把意圖語(yǔ)義進(jìn)行轉(zhuǎn)換并與目標(biāo)文檔匹配，獲得相關(guān)度排名。在圖模型的意圖匹配中，通過(guò)圖查詢來(lái)實(shí)現(xiàn)用戶搜索意圖與搜索空間目標(biāo)項(xiàng)之間的查找和匹配，包括關(guān)鍵詞圖搜索、子圖匹配和近似圖匹配技術(shù)等[60]。

目前基于意圖理解的智能搜索機(jī)制分為離線和在線兩種處理階段，其整體基于用戶意圖理解的搜索框架如圖1所示。其中離線階段是指在沒(méi)有接收用戶搜索請(qǐng)求時(shí)系統(tǒng)自動(dòng)進(jìn)行的操作，主要對(duì)用戶在社交網(wǎng)絡(luò)中的各種行為特征、發(fā)布信息的文本特征或活動(dòng)的時(shí)空信息及社會(huì)互動(dòng)關(guān)系特征等個(gè)性化信息進(jìn)行分析和建模，挖掘出長(zhǎng)期的興趣偏好，為在線意圖分析和抽取提供歷史數(shù)據(jù)。利用TFIDF等算法進(jìn)行主題分類抽取，并對(duì)熱點(diǎn)進(jìn)行分類及矢量描述分析，然后提取主題用戶特征和主題熱點(diǎn)特征。當(dāng)用戶提出搜索請(qǐng)求時(shí)，首先對(duì)用戶情景進(jìn)行抽取，并對(duì)查詢意圖的信息和情感進(jìn)行初步分析，綜合進(jìn)行意圖分析和提取操作，最后將主題節(jié)點(diǎn)的用戶及熱點(diǎn)特征與在線分析出的搜索意圖、改進(jìn)的關(guān)鍵字綜合進(jìn)行匹配與搜索。

圖1 基于用戶意圖的搜索框架Fig. 1 The searching framework based on user intentions

3.2 在線社交網(wǎng)絡(luò)精準(zhǔn)搜索的應(yīng)用

隨著社交網(wǎng)絡(luò)的日益普及，在線社交網(wǎng)絡(luò)成為了現(xiàn)實(shí)社會(huì)中人和事進(jìn)行評(píng)論和發(fā)表觀點(diǎn)的一個(gè)集中平臺(tái)，是社會(huì)生活的真實(shí)寫(xiě)照。Facebook開(kāi)發(fā)了備受歡迎的社交圖譜搜索技術(shù)，Twitter提供了基于社交網(wǎng)絡(luò)的搜索，新浪微博也提供了自己的在線搜索系統(tǒng)，這些搜索系統(tǒng)的出現(xiàn)給用戶帶來(lái)了很多便利。現(xiàn)在已有大量學(xué)者對(duì)在線社交網(wǎng)絡(luò)的搜索技術(shù)進(jìn)行研究。賈焰等[56]從社交網(wǎng)絡(luò)中的知識(shí)挖掘與推演、用戶初始查詢意圖的理解與表示、符合用戶意圖的智能結(jié)果在線響應(yīng)等3個(gè)問(wèn)題為目標(biāo)，討論了社交網(wǎng)絡(luò)智慧搜索相關(guān)技術(shù)的發(fā)展；鄭煒等[61]提出了基于用戶搜索意圖的智能搜索引擎系統(tǒng)框架，該框架從社交網(wǎng)絡(luò)內(nèi)容的存儲(chǔ)、索引以及排名方面著手，對(duì)查詢算法進(jìn)行重構(gòu)，與傳統(tǒng)的基于關(guān)鍵字的搜索算法相比返回結(jié)果的相關(guān)度更高；Bennett等[62]提出探索式搜索概念，幫助搜索用戶進(jìn)行信息獲??；Teevan等[63]從人口統(tǒng)計(jì)學(xué)、興趣和職業(yè)等特征分析入手，辨別不同的用戶群體，提供基于相似請(qǐng)求用戶的查詢結(jié)果。

在社交網(wǎng)絡(luò)事件監(jiān)測(cè)研究方面，Prerna等[64]從技術(shù)層面對(duì)Twitter的輿情及其演化趨勢(shì)進(jìn)行了研究；Jasmina等[65]提出了基于Twitter的事件搜索與監(jiān)測(cè)方法，并將其應(yīng)用于保加利亞選舉事件中。隨著事件監(jiān)測(cè)研究的不斷進(jìn)展，基于多模態(tài)的社交網(wǎng)絡(luò)事件監(jiān)測(cè)方法成為研究熱點(diǎn)。Manos等[66]提出了一種基于時(shí)間窗的多模態(tài)方法，對(duì)海量圖片進(jìn)行事件監(jiān)測(cè)；Gao等[67]利用超圖分割的思想引入文本內(nèi)容、視覺(jué)內(nèi)容、位置信息、時(shí)間信息等實(shí)現(xiàn)社交網(wǎng)絡(luò)跨媒體的事件監(jiān)測(cè)，但是該方法無(wú)法預(yù)測(cè)熱點(diǎn)事件；Unankard[68]提出了基于位置感知的社交網(wǎng)絡(luò)事件監(jiān)測(cè)方法，把Twitter事件和位置信息進(jìn)行統(tǒng)一表示，將用戶位置和事件位置的相關(guān)性的強(qiáng)度進(jìn)行標(biāo)識(shí)，監(jiān)測(cè)和預(yù)測(cè)熱點(diǎn)事件。此外，隨著各大社交網(wǎng)絡(luò)的盛行使針對(duì)社交網(wǎng)絡(luò)的研究越來(lái)越廣泛而全面[69-71]，人們?cè)谏缃痪W(wǎng)絡(luò)中應(yīng)用更加便捷，并且可以從海量的信息中受益。

4 總結(jié)與展望

本文對(duì)基于知識(shí)圖譜的在線社交網(wǎng)絡(luò)多模態(tài)信息感知方法、搜索中面向用戶意圖匹配的跨媒體大數(shù)據(jù)深度語(yǔ)義學(xué)習(xí)與分析、在線社交網(wǎng)絡(luò)精準(zhǔn)搜索與挖掘進(jìn)行了研究與分析，可以看出在基于用戶搜索意圖理解的在線社交網(wǎng)絡(luò)跨媒體精準(zhǔn)搜索與挖掘研究領(lǐng)域已有的理論、技術(shù)及應(yīng)用仍然存在一些問(wèn)題，總結(jié)為以下幾方面：

1）目前已有的跨媒體信息感知方法只關(guān)注于一定區(qū)域和范圍內(nèi)的代表性數(shù)據(jù)獲取，從社交網(wǎng)絡(luò)中感知得到的稀疏且零散的數(shù)據(jù)不足以支撐用戶意圖理解搜索的信息需求。單純的社交網(wǎng)絡(luò)數(shù)據(jù)難以實(shí)現(xiàn)語(yǔ)義分析，因此需要必要的數(shù)據(jù)關(guān)聯(lián)特征來(lái)實(shí)現(xiàn)數(shù)據(jù)的語(yǔ)義理解。已有的信息感知方法沒(méi)有考慮與數(shù)據(jù)相關(guān)聯(lián)的背景特征信息以及用戶屬性信息的獲取，不能及時(shí)、快速?gòu)母兄獢?shù)據(jù)中提取出隱含信息，不能為高層的處理與應(yīng)用提供必要的信息支持。

2）目前已有的語(yǔ)義學(xué)習(xí)與分析方法中通常只針對(duì)單一模態(tài)數(shù)據(jù)或特定的應(yīng)用場(chǎng)景，難以從多模態(tài)的跨媒體大數(shù)據(jù)中完整地識(shí)別出社交網(wǎng)絡(luò)用戶的意圖傾向，以及網(wǎng)絡(luò)意圖模式與現(xiàn)實(shí)社會(huì)熱點(diǎn)話題與事件的語(yǔ)義關(guān)聯(lián)關(guān)系，無(wú)法實(shí)時(shí)地獲取體現(xiàn)社交網(wǎng)絡(luò)用戶的行為特征，從而進(jìn)行用戶意圖分析和異常用戶意圖檢測(cè)。基于單一模態(tài)單一屬性的語(yǔ)義識(shí)別模型難以快速而精準(zhǔn)地分析社交網(wǎng)絡(luò)熱點(diǎn)話題和事件相關(guān)內(nèi)容的語(yǔ)義及其影響范圍和深度。

3）目前已有的社交網(wǎng)絡(luò)搜索技術(shù)對(duì)特定對(duì)象精準(zhǔn)搜索的研究無(wú)法實(shí)現(xiàn)跨空間搜索。搜索匹配方法不能從超大規(guī)模、超高維度、不完備、有噪聲、語(yǔ)義模糊的在線社交網(wǎng)絡(luò)跨媒體大數(shù)據(jù)中挖掘出與特定對(duì)象時(shí)空特性、社會(huì)屬性相關(guān)的知識(shí)模式。由于用戶搜索的意圖往往很抽象，目前的搜索方法無(wú)法滿足抽象的搜索意圖理解與匹配，因此需要研究基于搜索意圖識(shí)別的高質(zhì)量、高效率的跨媒體大數(shù)據(jù)搜索算法。

圍繞社會(huì)網(wǎng)絡(luò)面向用戶意圖的搜索與挖掘目前的研究現(xiàn)狀，未來(lái)研究中可能面臨的挑戰(zhàn)包括：

1）面對(duì)在線社交網(wǎng)絡(luò)數(shù)據(jù)的歧義性、模糊性、時(shí)變性等問(wèn)題，如何基于知識(shí)圖譜獲取在線社交網(wǎng)絡(luò)跨媒體大數(shù)據(jù)，并提取其相關(guān)背景信息以及如何利用感知數(shù)據(jù)與背景信息之間的關(guān)聯(lián)、不同媒體數(shù)據(jù)之間的關(guān)聯(lián)，構(gòu)建虛擬空間的知識(shí)圖譜，挖掘數(shù)據(jù)中隱藏的用戶搜索意圖，以實(shí)現(xiàn)社交網(wǎng)絡(luò)數(shù)據(jù)信息的全面、完整地表達(dá)與理解，仍然是亟待解決的科學(xué)問(wèn)題。

2）雖然面向用戶搜索意圖的理解已經(jīng)有許多跨媒體語(yǔ)義映射學(xué)習(xí)的方法，但是這些方法沒(méi)有考慮圖像和文本的時(shí)空性對(duì)語(yǔ)義的影響，因此需要根據(jù)圖像與文本在不同時(shí)間和不同地點(diǎn)出現(xiàn)時(shí)體現(xiàn)不同的語(yǔ)義，進(jìn)一步對(duì)用戶搜索意圖的理解進(jìn)行深入研究。如何基于深度學(xué)習(xí)來(lái)突破跨媒體大數(shù)據(jù)知識(shí)空間淺層特征與深度語(yǔ)義之間存在的語(yǔ)義障礙是有待研究的問(wèn)題。

3）目前已有的社交網(wǎng)絡(luò)搜索與挖掘算法是分離的，而搜索系統(tǒng)和挖掘系統(tǒng)都會(huì)對(duì)最終的搜索精度造成影響。因此建立搜索與挖掘一體化的模型能夠有效提高搜索性能。需要建立支持時(shí)空特性和社交特性的跨媒體、跨空間的挖掘體系，根據(jù)時(shí)空特性、社交特性、用戶行為特征、現(xiàn)實(shí)空間的實(shí)時(shí)數(shù)據(jù)，并結(jié)合領(lǐng)域本體知識(shí)庫(kù)推理演算和語(yǔ)義查詢擴(kuò)展，構(gòu)建支持時(shí)間、空間特性的在線社交網(wǎng)絡(luò)對(duì)象的精準(zhǔn)搜索模型。

[1]XIE H, LI X, WANG T, et al. Personalized search for social media via dominating verbal context[J]. Neurocomputing, 2016, 172(C): 27–37.

[2]LI J, LIU C, YU J X, et al. Personalized influential topic search via social network summarization[J]. IEEE transactions on knowledge and data engineering, 2016, 28(7):1820–1834.

[3]KOU F, DU J, HE Y, et al. A survey on social network search based on semantic analysis and learning[J]. CAAI transactions on intelligence technology, 2016, 11(1): 293–302.

[4]石磊, 杜軍平, 周亦鵬, 等. 在線社交網(wǎng)絡(luò)挖掘與搜索技術(shù)研究[J]. 智能系統(tǒng)學(xué)報(bào), 2016, 11(6): 777–787.SHI Lei, DU Junping, ZHOU Yipeng, et al. A survey on online social network mining and search[J]. CAAI transactions on intelligence technology, 2016, 11(6): 777–787.

[5]DEUFEMIA V, GRANATELLO M, MEROLA A, et al.Comparing classifiers for web user intent understanding[J]. Empowering organizations, 2016, 11(2): 147–159.

[6]CHRISTOPH K, MARTHA L, ALAN H. User intent in multimedia search: a survey of the state of the art and future challenges[J]. ACM computing surveys, 2016, 49(2): 1–37.

[7]KATO M. Web search query privacy, an end-user perspective[J]. Journal of information security, 2017, 8(1): 56–74.

[8]RISHIRAJ S R, RAHUL K, NILOY G, et al. Discovering and understanding word level user intent in web search queries[J]. World wide web, 2015, 30: 22–38.

[9]JIN Y K, MARK C, JAIME T, et al. Understanding how people interact with web search results that change in realtime using implicit feedback[C]//The 22nd ACM International Conference on Information and Knowledge Management. San Francisco, USA, 2014: 2321–2326.

[10]CHRISTOPH K, SUBHABRATA B, MARTHA L, et al.Uploader intent for online video: typology, inference and applications[J]. IEEE transactions on multimedia, 2015,17(8): 1200–1212.

[11]ZHENG Y, CAPRA L, WOLFSON O, et al. Urban computing: concepts, methodologies and applications[J]. ACM transactions on intelligent systems and technology, 2014,5(3): 38.

[12]ZHENG Y, LIU T, WANG Y, et al. Diagnosing new york city's noises with ubiquitous data[C]//Proceedings of the 2014 ACM International Joint Conference on Pervasive and Ubiquitous Computing. Seattle, Washington, 2014:715–725.

[13]ZHENG Y. Trajectory data mining: an overview[J]. ACM transactions on intelligent systems and technology, 2015,6(3): 29.

[14]SONG S, LI Q, ZHENG N. A spatio-temporal framework for related topic search in micro-blogging[C]//International Conference on Active Media Technology. Springer Berlin Heidelberg, 2010: 63–73.

[15]SONG S, LI Q, BAO H. Detecting dynamic association among twitter topics[C]//International Conference on World Wide Web. Lyon, France, 2012: 605–606.

[16]LIU A A, SU Y T, NIE W Z, et al. Hierarchical clustering multi-task learning for joint human action grouping and recognition[J]. IEEE trans pattern anal mach intell, 2017,39(1): 102–114.

[17]CUI P, WANG F, YANG S, et al. Item-Level Social Influence Prediction with Probabilistic Hybrid Factor Matrix Factorization[C]//AAAI Conference on Artificial Intelligence 2011. San Francisco, USA, 2011: 34–45.

[18]CRANSHAW J, TOCH E, HONG J, et al. Bridging the gap between physical location and online social networks[C]//ACM International Conference on Ubiquitous Computing.Copenhagen, Denmark, 2010: 119–128.

[19]余麗, 陸鋒, 張恒才. 網(wǎng)絡(luò)文本蘊(yùn)涵地理信息抽取: 研究進(jìn)展與展望[J]. 地球信息科學(xué)學(xué)報(bào), 2015, 17(2): 127–134.YU Li, LU Feng, ZHANG Hengcai. Extracting geographic information from web texts: status and development[J].Journal of geo-information science, 2015, 17(2): 127–134.

[20]王宇. 基于網(wǎng)絡(luò)文本的地名空間模糊建模[D]. 南京: 南京師范大學(xué), 2012.WANG Yu. A dissertation submitted in partial fulfillment of the requirements for the degree of master of science[D].Nanjing: Nanjing Normal University, 2012.

[21]JIN T, LI L, LI P, et a1. Hidden conditional random fields for category and scene classification[J]. Journal of computational information systems, 2012, 8(2): 877–885.

[22]CHIEN B C, SHI H T, FU C H, et al. Automatic geotagging for personal photos with sharing images on social media networks[C]//Multidisciplinary Social Networks Research. Berlin: Springer Berlin Heidelberg, 2015: 495–508.

[23]SENGSTOCK C, GERTZ M. Latent geographic feature extraction from social media[C]//Proceedings of the 20th ACM International Conference on Advances in Geographic Information Systems. New York, USA, 2012: 149–158.

[24]HONG L, DAVISON B D. Empirical study of topic modeling in Twitter[C]//Proceedings of the ACM First Workshop on Social Media Analytics. Washington D C, USA,2010: 80–88.

[25]SONG S, LI Q, ZHENG X. Detecting popular topics in micro-blogging based on a user interest-based model[J]. The complex system of management and control of state key laboratory, 2012(IJCNN): 1–8.

[26]ZHENG N, SONG S, BAO H. A temporal-topic model for friend recommendations in Chinese microblogging systems[J]. IEEE transactions on systems, man, and cybernetics: systems, 2015, 45(9): 1245–1253.

[27]BAO H, LI Q, LIAO S S, et al. A new temporal and social pmf-based method to predict users’ interests in micro-blogging[J]. Decision support systems, 2013, 55(3): 698–709.

[28]GAO H, LI Q, BAO H, et al. How shall we catch people's concerns in micro-blogging[C]//Proceedings of the 21st ACM International Conference on World Wide Web. Lyon, France, 2012: 505–506.

[29]WANG Y, WANG X, DU J, et al. Object detection based on exemplar object expression[M]. Advanced Multimedia and Ubiquitous Engineering. Springer Berlin Heidelberg,2015.

[30]WANG X, DU J, WU S. High-level semantic image annotation based on hot internet topics[J]. Multimedia tools and applications, 2015, 74(6): 2055–2084.

[31]WU L, GE Y, LIU Q, et al. Modeling the evolution of users’ preferences and social links in social networking services[J]. IEEE transactions on knowledge and data engineering, 2017(99): 1–1.

[32]LIANG M, DU J, LIU H. Self-adaptive spatial image denoising model based on scale correlation and sure-let in the nonsubsampled contourlet transform domain[J]. Science China-information sciences, 2014, 57(9): 1–15.

[33]WANG X, DU J, WU S, et al. Cluster ensemble-based image segmentation[J]. International journal of advanced robotic systems, 2013, 10(4): 1–11.

[34]歐陽(yáng)逸, 郭斌, 何萌, 等. 微博事件感知與脈絡(luò)呈現(xiàn)系統(tǒng)[J]. 浙江大學(xué)學(xué)報(bào): 工學(xué)版, 2016, 50(6): 1176–1182.OUYANG Yi, GUO Bin, HE Meng, et al. Event sensing and vein presentation leveraging microblog[J]. Journal of Zhejiang university: engineering science, 2016, 50(6): 1176–1182.

[35]劉嶠, 李楊, 段宏, 等. 知識(shí)圖譜構(gòu)建技術(shù)綜述[J]. 計(jì)算機(jī)研究與發(fā)展, 2016, 53(3): 582–600.LIU Jiao, LI Yang, DUAN Hong, et al. Knowledge graph construction technique[J]. Journal of computer research and development, 2016, 53(3): 582–600.

[36]BALAID A, ABD R M Z, HIKMI S N, et al. Knowledge maps[J]. International journal of information management,2016, 36(3): 451–475.

[37]MIKOLOV T, CHEN K, CORRADO G, et al. Efficient estimation of word representations in vector space[J]. Computer science, 2013, 2(12): 27–35.

[38]WU W, LI H, WANG H, et al. Probase: a probabilistic taxonomy for text understanding[C]//ACM SIGMOD International Conference on Management of Data. Scottsdale,USA, 2012: 481–492.

[39]HUA W, WANG Z, WANG H, et al. Short text understanding through lexical-semantic analysis[C]//International Conference on Data Engineering. Seoul, South Korea,2015: 495–506.

[40]DAVID M, BLEI M I, JORDAN. Modeling annotated data[C]//Proceedings of 2003 ACM International Conference on Research on Development in Information Retrieval. Toronto: ACM Press, 2003: 1–8.

[41]BIAN J, YANG Y, CHUA T S. Multimedia summarization for trending topics in microblogs[C]//Proceedings of ACM International Conference on Information and Knowledge Management. San Francisco: ACM Press, 2013:1807–1812.

[42]王智愚. 社會(huì)化多媒體內(nèi)容分析與摘要[D]. 北京: 清華大學(xué), 2013: 1–119.WANG Zhiyu. Social multimedia analysis and summarization[D]. Beijing: Tsinghua University, 2013: 1–119.

[43]WANG Y, WU F, SONG J, et al. Multi-modal mutual topic reinforce modeling or cross-media retrieval[C]//Proceedings of 2014 ACM International Conference on Multimedia. Orlando: ACM Press, 2014: 307–316.

[44]KANG C, XIANG S, LIAO S, et al. Learning consistent feature representation for cross-modal multimedia retrieval[J]. IEEE transactions on multimedia, 2015, 17(3):370–381.

[45]KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Imagenet classification with deep convolutional neural networks[C]// Proceedings of Advances in Neural Information Processing Systems. Cambridge: MIT Press, 2012:1097–1105.

[46]SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. Arxiv preprint, arxiv, 2014: 1409–1556.

[47]ANDREJ K, ARMAND J, LI F. Deep fragment embeddings for bidirectional image sentence mapping[J]. Arxiv Preprint, Arxiv, 2014, 14(3): 1406–5679.

[48]AMIRHOSSEIN H, THOMAS M, CEES G, et al. Discovering semantic vocabularies for cross-media retrieval[C]//Proceedings of ACM SIGMM International Conference on Multimedia Retrieval. Shanghai: ACM Press,2015: 131–138.

[49]JIANG XY, WU F, LI X, et al. Deep compositional crossmodal learning to rank via local-global alignment[C]//Proceedings of 2015 ACM International Conference on Multimedia. Brisbane, 2015: 69–78.

[50]MA L, LU ZD, SHANG LD, et al. Multimodal convolutional neural networks for matching image and sentence[C]//Proceedings of 2015 International Conference on Computer Vision. Boston, USA, 2015: 2623–2631.

[51]ZHAO F, HUANG Y, WANG L, et al. Deep semantic ranking based hashing for multi-label image retrieval[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston, USA, 2015: 1556–1564.

[52]WANG J, SONG Y, LEUNG T, et al. Learning finegrained image similarity with deep ranking[C]//IEEE Conference on Computer Vision and Pattern Recognition.IEEE Computer Society, 2014: 1386–1393.

[53]REN S, GIRSHICK R, GIRSHICK R, et al. Faster R-CNN:towards real-time object detection with region proposal networks[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 39(6): 1137–1149.

[54]QIAN SS, ZHANG TZ, HONG R, et al. Cross-domain collaborative learning in social multimedia[C]//Proceedings of 2015 ACM International Conference on Multimedia. Brisbane: ACM Press, 2015: 99–108.

[55]柯圣財(cái), 趙永威, 李弼程, 等. 基于卷積神經(jīng)網(wǎng)絡(luò)和監(jiān)督核哈希的圖像檢索方法[J]. 電子學(xué)報(bào), 2017, 45(1):157–163.KE Shengcai, ZHAO Yongwei, LI Bicheng, et al. Image retrieval based on convolutional neural network and kernelbased supervised hashing[J]. Acta electronica sinica, 2017,45(1): 157–163.

[56]賈焰, 甘亮, 李愛(ài)平, 等. 社交網(wǎng)絡(luò)智慧搜索研究進(jìn)展與發(fā)展趨勢(shì)[J]. 通信學(xué)報(bào), 2015, 36(12): 9–16.JIA Yan, GAN Liang, LI Aiping, et al. Research progress and development trend of onfine social network smart search[J]. Journal on communications, 2015, 36(12): 9–16.

[57]PARK K, JEE H, LEE T, et al. Automatic extraction of user’s search intention from web search logs[J]. Multimedia tools and applications, 2012, 61(1): 1–18.

[58]GUPTA V, GARG N, GUPTA T. Search bot: search intention based filtering using decision tree based technique[C]//Third IEEE International Conference on Intelligent Systems, Modelling and Simulation. Kota Kinabalu, Malaysia,2012: 49–54.

[59]王大玲, 于戈, 鮑玉斌, 等. 基于用戶搜索意圖的Web網(wǎng)頁(yè)動(dòng)態(tài)泛化[J]. 軟件學(xué)報(bào), 2010, 21(5): 1083–1097.WANG Daling, YU Ge, BAO Yubin, et al. Dynamically generalizing Web pages based on users’ search intentions[J]. Journal of software, 2010, 21(5): 1083–1097.

[60]FAN W, LI J, MA S, et al. Graph homomorphism revisited for graph matching[C]//Proceedings of the VLDB Endowment, 2010, 3(1/2): 1161–1172.

[61]鄭煒, 梁戰(zhàn)平, 梁建. 面向用戶意圖的智能搜索引擎框架研究[J]. 現(xiàn)代圖書(shū)情報(bào)技術(shù), 2014, 30(3): 65–72.ZHENG Wei, LIANG Zhanping, LIANG Jian. Research on user oriented intelligent search engine framework[J]. Library and information science, 2014, 30(3): 65–72.

[62]BENNETT P N, WHITE R W, CHU W, et al. Modeling the impact of short- and long-term behavior on search personalization[C]//Proceedings of the 35th International ACM SIGIR Conference on Research and Development in Information Retrieva. Portland, USA, 2012: 185–194.

[63]CHILTON L B, TEEVAN J. Addressing people’s information needs directly in a web search result page[C]//ACM International Conference on World Wide Web. Hyderabad,India, 2011: 27–36.

[64]CHIKERSAL P, PORIA S, CAMBRIA E, et al. Modelling public sentiment in twitter: using linguistic patterns to enhance supervised learning[C]//International Conference on Intelligent Text Processing and Computational Linguistics.Cairo, Egypt, 2015: 49–65.

[65]SMAILOVIC J, KRANJC J, GRCAR M, et al. Monitoring the Twitter sentiment during the Bulgarian elections[C]//IEEE International Conference on Data Science and Advanced Analytics. Paris, France, 2015:1–10.

[66]MANOS S, SYMEON P, GEORGIOS P, et al. Multimodal event detection and summarization in large scale image collections[C]//Proceedings of the 2016 ACM on International Conference on Multimedia Retrieval. New York,USA, 2016: 421–422.

[67]GAO Y, ZHAO S, YANG Y, et al. Multimedia social event detection in microblog[M]//Multimedia Modeling.Springer International Publishing, 2015: 269–281.

[68]UNANKARD S, LI X, SHARAF M. Emerging event detection in social networks with location sensitivity[J].World wide web-internet and web information systems,2014, 18(5): 1–25.

[69]YANG Y, DU J, HE B. A novel ontology-based semantic retrieval model for food safety domain[J]. Chinese journal of electronics, 2013, 22(2): 247–252.