本文提出了一种从社交媒体用户活动的短时段中学习映射的方法，以产生用户固有特征相似度的向量空间，其中距离捕捉到相应用户的相似性，并通过 Reddit、Twitter 和 Wikipedia 的数据进行了全面评估。

Oct, 2019

本研究提出一种增量用户嵌入建模方法，通过使用转换编码器将用户的最近交互历史的嵌入动态集成到累积历史向量中，从而实现个性化用户表示的学习，并成功将其应用于 Reddit 数据集的个性化多类分类任务中，并在评论历史编码和任务建模方面相应地实现 9% 和 30% 的相对提升。

Feb, 2022

我们采用神经网络学习个人的多维表示，结合社交媒体上的丰富语言和网络证据，从而综合推断人们在线的潜在属性，包括性别、职业、位置和友谊，并在推特上实现了分类、学习表示和预测任务的提高性能。

Oct, 2015

研究机器学习模型，学习低维表示模式，将词嵌入技术应用于人类行为挖掘，探讨其优势和趋势，并警示相似性度量常常在单独层面返回一致结果，但在聚合层面则有可能产生不同结果。

Jul, 2022

推荐系统中的嵌入技术是关键，它将高维离散特征转化为低维连续向量以提升推荐性能，并涵盖协同过滤、自监督学习和基于图的技术，同时介绍了自动机器学习、哈希技术和量化技术，旨在改善推荐系统的性能和降低计算复杂性。

Oct, 2023

本研究提出利用网络和社交媒体数据来学习多模态图像和文本嵌入，旨在将在文本领域中学到的语义知识转移至用于语义图像检索的视觉模型。研究结果表明，利用带有相关文本的图像进行无监督学习的流程能够在三个基准测试中学习五种不同的文本嵌入，并在面向文本的图像检索任务中表现出与受监督方法竞争性的性能。在目标数据中训练时，我们在 MIRFlickr 数据集中明显优于现有技术。进一步，我们展示了如何使用学习到的嵌入执行语义多模态图像检索，超越了传统的实例级检索问题。最后，我们提出了一个新的数据集（InstaCities1M），由 Instagram 图像及其相关文本组成，可用于公平比较图像 - 文本嵌入方法。

Aug, 2018

通过多视角表示学习，结合用户的社交和文本信息，构建相关用户的上下文表示，以理解他们的生活方式选择，该文提出了一种联合嵌入模型并将其应用于推文分析。在实验中，模型在 Yoga 和 Keto 饮食领域中均取得了较好的表现。

Apr, 2021

我们提出一个方法，通过使用多模态用户活动的序列基本特征学习模块进行异步学习，可以为每天数十亿用户学习高逼真的用户嵌入。这些异步学习的用户表示嵌入（ALURE）通过图学习转化为用户相似性图，并与用户实时活动相结合，为整个广告发布系统检索与之高度相关的广告候选项。在线下和在线实验中，我们的方法显示出显著的增益。

Jun, 2024

本文提出了一种利用社交媒体内容自动补充传统调查方法得出近实时大规模粗略估计心理健康状况的方法，该方法利用用户 embedding，本研究证明了这些 embedding 可以捕捉到与精神疾病相关的行为特征，从而能够预测用户的心理健康状况。

Apr, 2017

综合建模用户行为的 Social Media 用户表示学习框架 SoMeR 通过编码用户帖子流、转换器嵌入个人资料数据，结合链路预测和对比学习目标进行联合训练以捕捉用户相似性，从而解决了现有方法无法综合建模不同模态用户行为的局限性，并通过两个应用程序演示了 SoMeR 的多功能性。

May, 2024