在開放、動態、多變的互聯網環境下，感知并理解用戶情境是計算機軟件應具備的重要能力。近年來，基于交互文本的用戶情境解析是學術界和產業界的熱點問題。
本書深入調研了基于交互文本的用戶情境解析方面的研究進展，分析總結了當前研究工作存在的問題和不足。針對這些問題，提出了基于泛在交互文本的用戶情境解析方法，為用戶情境解析提供了新穎的研究思路和有效的技術方案。
本書適合具備相關計算機基礎的研究、開發人員閱讀，也可為軟件工程、萬維網、信息檢索、自然語言處理、泛在計算、人機交互等眾多領域的學者提供一定的參考和借鑒。
本書內容榮獲2022年“CCF優秀博士學位論文激勵計劃”
當前，人機物三元融合的泛在計算時代正在開啟，在開放、動態、多變的網絡平臺上，理解和感知用戶情境對計算機軟件來說變得至關重要。用戶情境涵蓋了靜態信息如性別等以及動態信息如情感等，準確地捕捉和解析用戶情境對于軟件服務的智能化推薦具有重要意義。
本書圍繞“用戶情境解析”這個計算機軟件領域的重要問題開展研究，系統梳理了基于交互文本的用戶情境解析方面的研究進展，分析總結了當前工作存在的問題，提出了基于泛在交互文本的用戶情境解析方法，從全新的研究視角探索了用戶情境解析，具有較高的理論意義與實用價值。
在開放、動態、多變的互聯網環境下，軟件需要能感知其外部環境的變化，并據此調整自身行為，以持續提供滿足甚至超出用戶期望的服務。因此，軟件外部環境的建模、處理等一直以來得到學術界的廣泛重視。學術界將軟件的外部環境抽象為軟件的上下文，具體而言，包括計算上下文、物理上下文、時間上下文、用戶上下文等。隨著軟件用戶群體的不斷擴大，現代軟件大多具有用戶需求多樣化的特點，導致用戶上下文日益得到重視。具體而言，高質量的軟件需要全面高效地感知其服務的用戶，通過對用戶上下文信息的加工和處理，提供滿足不同用戶的個性化服務。
研究者以“用戶情境（user situation）”來涵蓋各類用戶上下文信息，具體而言，包含年齡、性別等生存周期較長的靜態用戶情境，以及喜好、情感狀態等生存周期較短的動態用戶情境。相應地，感知用戶情境的過程被稱為用戶情境解析，包括感知靜態用戶情境（即靜態用戶情境解析）和感知動態用戶情境（即動態用戶情境解析）。
文本輸入是用戶與軟件最重要的交互形式之一，基于交互文本（即用戶輸入文本）的用戶情境解析是學術界的研究熱點。但是，現有基于交互文本的方法存在一定的問題。一方面，現有基于交互文本的靜態用戶情境解析方法存在較大的隱私風險。具體而言，性別、年齡等靜態用戶情境通常難以通過用戶交互所產生的少量文本解析得出，服務提供商往往收集用戶在長時間內產生的大量交互文本進行解析，以提高解析效果。這種對大量交互文本進行存儲和處理的做法，增加了訪問和泄露用戶隱私的風險。另一方面，現有基于交互文本的動態用戶情境解析方法主要針對英語和社交媒體領域，導致在其他語言和其他領域人工標簽數據不足，解析效果不佳。為了解決這一問題，直觀的做法是為每種語言、每種領域都人工標注大量的數據。但是，人工標注耗時耗力，可行性較低。
針對上述問題，本書提出了基于泛在交互文本的用戶情境解析方法。泛在交互文本是以計算機為中介的文本溝通中相對直觀的視覺表達，與傳統交互文本相互補充。常見的泛在交互文本包括顏文字（emoticon）和繪文字（emoji）等。一方面，泛在交互文本被世界各地用戶廣泛使用，且不同靜態用戶情境的用戶在泛在交互文本的使用上存在差異，啟發本書在特定情況下使用泛在交互文本代替傳統交互文本，用于靜態用戶情境解析，以降低用戶隱私風險。另一方面，泛在交互文本常在文本交互中被用于表達情感、情緒、語義等信息，啟發本書使用泛在交互文本作為情感等動態用戶情境的代理標簽，彌補動態用戶情境解析中特定語言、特定領域人工標簽數據的不足。
具體而言，本書的主要工作和創新點如下：
1.提出了基于監督學習的靜態用戶情境解析技術EmoLens。EmoLens基于實證分析開展特征工程，從用戶文本交互中提取出對靜態用戶情境有區分度的泛在交互文本使用特征，并基于經典的機器學習算法，采用監督學習的方式訓練得到靜態用戶情境解析模型。相較于現有基于傳統交互文本的方法，EmoLens僅依賴用戶產生的泛在交互文本，降低了用戶隱私風險。EmoLens在來自183個國家的134 419個真實用戶信息上的解析準確率達到0.811，比基線方法提升了約24%，且解析效果與基于傳統交互文本的方法相當。
2.提出了基于遷移學習的跨語言動態用戶情境解析技術ELSA。ELSA從公共平臺爬取大量包含泛在交互文本的英語和目標語言數據，使用表征學習方法從中提取泛在交互文本使用的隱式特征，再協同機器翻譯將蘊含在這些特征中的知識通過遷移學習的方式遷移到目標語言的動態用戶情境解析模型中。ELSA在9項基準任務上平均準確率達到0.840，顯著超過現有方法，錯誤率降低了約14%。
3.提出了基于遷移學習的領域特定動態用戶情境解析技術SEntiMoji。SEntiMoji從公共平臺爬取大量包含泛在交互文本的社交媒體領域和目標領域數據，使用表征學習方法從中提取泛在交互文本使用的隱式特征，再將蘊含在這些特征中的知識通過遷移學習的方式遷移到目標領域的動態用戶情境解析模型中。SEntiMoji在20項基準任務上平均準確率達到0.908，顯著超過現有方法，錯誤率降低了約21%。
在上述三項技術的基礎上，本書實現了一套基于泛在交互文本的用戶情境解析工具，合計包含13個API，可供各類客戶端調用。
陳震鵬，新加坡南洋理工大學研究員，曾任英國倫敦大學學院研究員。于2016年和2021年在北京大學分別獲得學士學位和博士學位。主要
研究方向為軟件工程、人工智能、萬維網等。
在ICSE、FSE、ISSTA、WWW、TOSEM等計算機學術會議和期刊發表論文三十余篇。獲WWW最佳論文獎、ACM SIGSOFT杰出論文獎、
微軟學者、 CCF優秀博士學位論文激勵計劃、北京市優秀博士學位論文獎等榮譽。受邀擔任ICSE、ASE、WWW、KDD等國際會議程序委員
會委員和TSE、TOSEM、TWEB等國際期刊審稿人，獲評ASE杰出程序委員會委員、TOSEM杰出審稿人、TWEB杰出審稿人等榮譽。
叢書序
推薦序Ⅰ
推薦序Ⅱ
導師序
摘要
Abstract
第1章 引言
1.1 問題的提出1
1.1.1 用戶情境1
1.1.2 用戶情境解析3
1.2 相關研究現狀5
1.2.1 基于交互文本的靜態用戶情境解析5
1.2.2 基于交互文本的動態用戶情境解析14
1.3 現有工作中存在的問題21
1.4 本書主要內容26
第2章 基于泛在交互文本的用戶情境解析方法框架
2.1 泛在交互文本30
2.1.1 常見的泛在交互文本31
2.1.2 泛在交互文本的特性33
2.2 方法框架37
2.2.1 框架依據37
2.2.2 框架概覽39
2.2.3 挑戰及技術路線41
2.3 工具實現44
2.4 小結51
第3章 基于監督學習的靜態用戶情境解析技術
3.1 技術概覽53
3.2 基于實證分析的特征工程55
3.2.1 數據收集56
3.2.2 實證分析58
3.2.3 特征提取66
3.3 基于監督學習的模型訓練68
3.4 實驗驗證69
3.4.1 待驗證的問題70
3.4.2 實驗設置70
3.4.3 實驗結果73
3.5 小結80
第4章 基于遷移學習的跨語言動態用戶情境解析技術
4.1 技術概覽84
4.2 泛在交互文本賦能的語言表征86
4.3 基于遷移學習的模型訓練91
4.4 目標語言的動態用戶情境解析92
4.5 實驗驗證92
4.5.1 待驗證的問題93
4.5.2 實驗設置93
4.5.3 實驗結果98
4.6 小結114
第5章 基于遷移學習的領域特定動態用戶情境解析技術
5.1 技術概覽117
5.2 泛在交互文本賦能的領域表征120
5.3 基于遷移學習的模型訓練122
5.4 目標領域的動態用戶情境解析123
5.5 實驗驗證123
5.5.1 待驗證的問題123
5.5.2 實驗設置124
5.5.3 實驗結果140
5.6 小結181
第6章 結束語
6.1 本書內容總結182
6.2 未來工作展望184
參考文獻186
攻讀博士學位期間的科研成果209
致謝212
叢書跋215
新書資訊