在开放、动态、多变的互联网环境下，感知并理解用户情境是计算机软件应具备的重要能力。近年来，基于交互文本的用户情境解析是学术界和产业界的热点问题。
本书深入调研了基于交互文本的用户情境解析方面的研究进展，分析总结了当前研究工作存在的问题和不足。针对这些问题，提出了基于泛在交互文本的用户情境解析方法，为用户情境解析提供了新颖的研究思路和有效的技术方案。
本书适合具备相关计算机基础的研究、开发人员阅读，也可为软件工程、万维网、信息检索、自然语言处理、泛在计算、人机交互等众多领域的学者提供一定的参考和借鉴。
本书内容荣获2022年“CCF优秀博士学位论文激励计划”
当前，人机物三元融合的泛在计算时代正在开启，在开放、动态、多变的网络平台上，理解和感知用户情境对计算机软件来说变得至关重要。用户情境涵盖了静态信息如性别等以及动态信息如情感等，准确地捕捉和解析用户情境对于软件服务的智能化推荐具有重要意义。
本书围绕“用户情境解析”这个计算机软件领域的重要问题开展研究，系统梳理了基于交互文本的用户情境解析方面的研究进展，分析总结了当前工作存在的问题，提出了基于泛在交互文本的用户情境解析方法，从全新的研究视角探索了用户情境解析，具有较高的理论意义与实用价值。
在开放、动态、多变的互联网环境下，软件需要能感知其外部环境的变化，并据此调整自身行为，以持续提供满足甚至超出用户期望的服务。因此，软件外部环境的建模、处理等一直以来得到学术界的广泛重视。学术界将软件的外部环境抽象为软件的上下文，具体而言，包括计算上下文、物理上下文、时间上下文、用户上下文等。随着软件用户群体的不断扩大，现代软件大多具有用户需求多样化的特点，导致用户上下文日益得到重视。具体而言，高质量的软件需要全面高效地感知其服务的用户，通过对用户上下文信息的加工和处理，提供满足不同用户的个性化服务。
研究者以“用户情境（user situation）”来涵盖各类用户上下文信息，具体而言，包含年龄、性别等生存周期较长的静态用户情境，以及喜好、情感状态等生存周期较短的动态用户情境。相应地，感知用户情境的过程被称为用户情境解析，包括感知静态用户情境（即静态用户情境解析）和感知动态用户情境（即动态用户情境解析）。
文本输入是用户与软件最重要的交互形式之一，基于交互文本（即用户输入文本）的用户情境解析是学术界的研究热点。但是，现有基于交互文本的方法存在一定的问题。一方面，现有基于交互文本的静态用户情境解析方法存在较大的隐私风险。具体而言，性别、年龄等静态用户情境通常难以通过用户交互所产生的少量文本解析得出，服务提供商往往收集用户在长时间内产生的大量交互文本进行解析，以提高解析效果。这种对大量交互文本进行存储和处理的做法，增加了访问和泄露用户隐私的风险。另一方面，现有基于交互文本的动态用户情境解析方法主要针对英语和社交媒体领域，导致在其他语言和其他领域人工标签数据不足，解析效果不佳。为了解决这一问题，直观的做法是为每种语言、每种领域都人工标注大量的数据。但是，人工标注耗时耗力，可行性较低。
针对上述问题，本书提出了基于泛在交互文本的用户情境解析方法。泛在交互文本是以计算机为中介的文本沟通中相对直观的视觉表达，与传统交互文本相互补充。常见的泛在交互文本包括颜文字（emoticon）和绘文字（emoji）等。一方面，泛在交互文本被世界各地用户广泛使用，且不同静态用户情境的用户在泛在交互文本的使用上存在差异，启发本书在特定情况下使用泛在交互文本代替传统交互文本，用于静态用户情境解析，以降低用户隐私风险。另一方面，泛在交互文本常在文本交互中被用于表达情感、情绪、语义等信息，启发本书使用泛在交互文本作为情感等动态用户情境的代理标签，弥补动态用户情境解析中特定语言、特定领域人工标签数据的不足。
具体而言，本书的主要工作和创新点如下：
1.提出了基于监督学习的静态用户情境解析技术EmoLens。EmoLens基于实证分析开展特征工程，从用户文本交互中提取出对静态用户情境有区分度的泛在交互文本使用特征，并基于经典的机器学习算法，采用监督学习的方式训练得到静态用户情境解析模型。相较于现有基于传统交互文本的方法，EmoLens仅依赖用户产生的泛在交互文本，降低了用户隐私风险。EmoLens在来自183个国家的134 419个真实用户信息上的解析准确率达到0.811，比基线方法提升了约24%，且解析效果与基于传统交互文本的方法相当。
2.提出了基于迁移学习的跨语言动态用户情境解析技术ELSA。ELSA从公共平台爬取大量包含泛在交互文本的英语和目标语言数据，使用表征学习方法从中提取泛在交互文本使用的隐式特征，再协同机器翻译将蕴含在这些特征中的知识通过迁移学习的方式迁移到目标语言的动态用户情境解析模型中。ELSA在9项基准任务上平均准确率达到0.840，显著超过现有方法，错误率降低了约14%。
3.提出了基于迁移学习的领域特定动态用户情境解析技术SEntiMoji。SEntiMoji从公共平台爬取大量包含泛在交互文本的社交媒体领域和目标领域数据，使用表征学习方法从中提取泛在交互文本使用的隐式特征，再将蕴含在这些特征中的知识通过迁移学习的方式迁移到目标领域的动态用户情境解析模型中。SEntiMoji在20项基准任务上平均准确率达到0.908，显著超过现有方法，错误率降低了约21%。
在上述三项技术的基础上，本书实现了一套基于泛在交互文本的用户情境解析工具，合计包含13个API，可供各类客户端调用。
陈震鹏，新加坡南洋理工大学研究员，曾任英国伦敦大学学院研究员。于2016年和2021年在北京大学分别获得学士学位和博士学位。主要
研究方向为软件工程、人工智能、万维网等。
在ICSE、FSE、ISSTA、WWW、TOSEM等计算机学术会议和期刊发表论文三十余篇。获WWW最佳论文奖、ACM SIGSOFT杰出论文奖、
微软学者、 CCF优秀博士学位论文激励计划、北京市优秀博士学位论文奖等荣誉。受邀担任ICSE、ASE、WWW、KDD等国际会议程序委员
会委员和TSE、TOSEM、TWEB等国际期刊审稿人，获评ASE杰出程序委员会委员、TOSEM杰出审稿人、TWEB杰出审稿人等荣誉。
丛书序
推荐序Ⅰ
推荐序Ⅱ
导师序
摘要
Abstract
第1章 引言
1.1 问题的提出1
1.1.1 用户情境1
1.1.2 用户情境解析3
1.2 相关研究现状5
1.2.1 基于交互文本的静态用户情境解析5
1.2.2 基于交互文本的动态用户情境解析14
1.3 现有工作中存在的问题21
1.4 本书主要内容26
第2章 基于泛在交互文本的用户情境解析方法框架
2.1 泛在交互文本30
2.1.1 常见的泛在交互文本31
2.1.2 泛在交互文本的特性33
2.2 方法框架37
2.2.1 框架依据37
2.2.2 框架概览39
2.2.3 挑战及技术路线41
2.3 工具实现44
2.4 小结51
第3章 基于监督学习的静态用户情境解析技术
3.1 技术概览53
3.2 基于实证分析的特征工程55
3.2.1 数据收集56
3.2.2 实证分析58
3.2.3 特征提取66
3.3 基于监督学习的模型训练68
3.4 实验验证69
3.4.1 待验证的问题70
3.4.2 实验设置70
3.4.3 实验结果73
3.5 小结80
第4章 基于迁移学习的跨语言动态用户情境解析技术
4.1 技术概览84
4.2 泛在交互文本赋能的语言表征86
4.3 基于迁移学习的模型训练91
4.4 目标语言的动态用户情境解析92
4.5 实验验证92
4.5.1 待验证的问题93
4.5.2 实验设置93
4.5.3 实验结果98
4.6 小结114
第5章 基于迁移学习的领域特定动态用户情境解析技术
5.1 技术概览117
5.2 泛在交互文本赋能的领域表征120
5.3 基于迁移学习的模型训练122
5.4 目标领域的动态用户情境解析123
5.5 实验验证123
5.5.1 待验证的问题123
5.5.2 实验设置124
5.5.3 实验结果140
5.6 小结181
第6章 结束语
6.1 本书内容总结182
6.2 未来工作展望184
参考文献186
攻读博士学位期间的科研成果209
致谢212
丛书跋215
书单推荐
