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

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

通过介绍一种用于社交媒体处理的大型视觉语言模型（SoMeLVLM），该模型具备知识与理解、应用、分析、评估和创造等五个关键能力，在处理多种社交媒体任务方面取得了最先进的性能。

Feb, 2024

用户表示对个性化广告至关重要。为了解决训练吞吐量、服务延迟和内存的严格限制，我们提出了一个名为 Scaling User Modeling (SUM) 的框架，在 Meta 的广告排名系统中广泛部署，旨在实现数百种广告模型之间高效可扩展的在线用户表示共享。SUM 利用几个指定的上游用户模型，通过先进的建模技术从大量的用户特征中合成用户嵌入，然后将这些嵌入作为输入传递给下游的在线广告排名模型，促进了高效的表示共享。我们通过全面的实验验证了 SUM 框架的优越性，并分享了 SUM 框架的实际部署经验。迄今为止，SUM 已在 Meta 的数百种广告排名模型中推出，并每天处理数百亿次用户请求，产生了显著的在线指标增益和基础设施成本节约。

Nov, 2023

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

该研究提出一种基于自监督学习的用户建模网络 SUMN，该网络能够将行为数据编码成通用的用户表示形式，进而实现个性化服务推荐和用户画像预测。实验表明该方法优于现有的无监督表示方法，并且能够与监督方法竞争。

Dec, 2020

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

本文提出了一种多模式表示学习框架 (MRLF)，该框架可以融合社交帖子的不同模态信息进行位置推断，并运用多头注意力机制增强位置显著信息抽取，以及考虑社交帖子文本和标签之间的相对依赖关系进行多模式信息融合。实验结果表明 MRLF 可以进行准确的位置预测，并为理解社交帖子的多模式数据提供了新的途径。

Jun, 2023

通过引入 Image Retweet Modeling (IRM) 这一网络模型，本研究探讨了短信息服务（SMS）中预测图片转发的问题，并对用户在 Twitter 上分享照片的行为进行预测。该研究提出了一种基于文本引导的多模神经网络方法，能够学习图像 Twitter 表示和用户偏好表示，并在广泛数据集上的多次实验证明本方法在社交网络平台中的预测任务上优于当前方法。

Apr, 2024

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