个性化正在成为推荐领域的关键研究问题,如何将个人偏好纳入推荐模型是一个亟待解决的难点。之前的研究通常要求用户以某些方式明确表达他们对社交实体的偏好,这些方式既费时又费力。在线网站中用户与图像之间有丰富的交互信息,其中最常见的有为图片点赞,设置标签和分组等。在本文中,受到人类认知和行为相互影响的观察启发,我们尝试从社交媒体平台上的偏好行为中感受用户的偏好。通过这种方式,我们可以实现个性化的推荐,而不会给用户增加任何额外的负担,并在社交媒体平台上为广大群众服务。本文介绍的两个工作都与社交媒体中的推荐相关。第一个工作为了实现个性化美学图像推荐这一目标,我们收集了一系列专业照片和用户的交互数据,并考虑了用户个人偏好和通用审美标准,以处理用户偏好行为的不可靠性。此外,我们遵循协同过滤的思想,优化实体之间的成对排名,以缓解数据稀疏性问题。最后,开发了一种新颖的深度神经网络架构,用于个性化推荐建模。尽管不能明确地观察用户的真实偏好,但仍在两个基准数据集上进行了大量实验。结果证明了我们的个性化推荐方法的潜力。许多深度学习应用程序受益于具有多个回归和分类目标的多任务学习。在实际任务中,我们一般聚焦于优化单一的任务目标,这样做通常对于一个任务可以达到可接受的性能,但是我们可能忽视了一些相关的信息,这些信息却有可能帮助我们在任务目标上做的更好。本文的第二个工作使用了多任务学习的方法来进行个性化社交实体推荐,使得模型的泛化性能更好。具体来说,我们使用了一种MTLCNN结构,它可以在每一层实现自动的特征融合。我们将特征融合问题表述为:首先根据渠道维度连接不同任务的特征,然后使用1×1卷积和批量归一化(batch normalization)来对判别特征融合以及降维。多任务学习涉及针对多个目标优化模型的问题。它在许多深度学习问题中很普遍。我们结合多目标损失的方法是计算每项任务损失的线性加权和。我们对不同任务的权重进行详细的调整来平衡各任务损失。不同的任务的复杂程度不同,简单的任务往往会提前结束学习过程。本文使用早停机制,在训练过程中判断各任务的学习程度,对于性能不再提高的单任务冻结学习进程,减少不必要的计算来加快训练速度和减轻过拟合。与单独学习每项任务相比,我们的方法可以在不同的任务中受益,从而在个性化社交实体推荐中获得卓越的性能。