该研究回顾了最近在社交媒体用户的表征学习领域的进展，并提供了从异构用户数据（例如，将社交媒体文本与图像相结合来学习统一用户表征）中学习统一用户嵌入的典型方法，该技术对于创建高性能的基于社交媒体的人类特征和行为模型至关重要。

Jun, 2019

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

本研究提出了一种新的基于社交媒体用户行为数据驱动的图像特征学习范式，该范式不依赖于类别标签，而是利用潜在空间中发现的图像关系指导图像特征学习，应用于 Behance.net 的数据集验证表明，该方法显著优于目前最先进的图像特征，能够更好地学习图像相似度。

Feb, 2015

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

提出了一种基于嵌入学习的方法，用于识别社交媒体中同一用户的不同帐户，并在没有人工标注数据的情况下，通过将变量大小的用户活动样本映射到矢量空间中获得良好的链接准确性。

May, 2021

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

本文提出了一种基于图注意力网络的模型，该模型动态地探索一个用户的社交图，计算用户表征并结合语言信息进行预测，在三项任务上进行评估并与其他模型进行对比，表明该模型明显优于当今其他方法。

Sep, 2019

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

研究表明，社交关系信息可以用于提高用户级情感分析，实验结果表明，将社交网络信息纳入支持向量机等分类器的训练可以明显提高情感分析的效果。

Sep, 2011

旅行业的数字化加速推动了对旅行者行为的分析和理解，然而，由于旅行者与旅行提供商的互动频率相对较低，旅行者数据经常表现出高数据稀疏性。为了应对这些挑战，我们提出了基于相似性的多视图信息融合方法，从 URL 中学习更好的用户表示，将 URL 视为多视图数据。实验结果表明，所提出的多视图用户表示学习方法可以充分利用不同视图中的互补信息，突出 URL 中的关键信息，并在用户匹配任务中表现出显著优势。

Dec, 2023