随着移动互联网的快速发展，社会媒体逐渐成为人们分享经验、获取信息的重要平台。从多粒度情感、内容语义和交互关系分析角度，研究用户兴趣建模方法，有助于更全面准确地挖掘用户兴趣，便于其获取更优质的信息服务。本文旨在借鉴深度学习、自然语言处理、数据挖掘等领域的研究进展，研究基于多任务学习的、具有可解释性的用户兴趣建模方法，主要工作如下：

1. 基于多任务学习的用户多粒度情感分析方法。针对各类情感独立建模存在无法捕获各类情感之间的关联、难以从多角度全面挖掘用户情感特征的问题，本文提出了一种基于多任务学习的用户多粒度情感分析方法，同时预测用户的总体情感及各类细粒度属性情感。该方法首先使用双向长短期记忆网络编码用户评论中的词语上下文信息，生成词语的深度语义表示；随后，该方法使用注意力机制分别度量词语与各类细粒度属性的相关性，将词语表示加权求和得到各类属性的表示；进一步，计算各属性情感对用户总体情感的影响，将属性表示的加权和作为用户总体情感表示；最终，基于总体表示和属性表示同时预测用户的总体情感和细粒度属性情感。
2. 融合内容语义和交互关系的用户兴趣建模方法。针对用户在社会媒体发表的文本内容有时存在语义稀疏性的问题，结合社会媒体的交互性特点，本文设计了一种融合内容语义和交互关系的用户兴趣建模方法，从内容语义及关联网络中挖掘用户兴趣。该方法首先使用网络表示学习方法分析用户关联网络，生成用户的交互行为表示；而后，该方法将用户的交互行为表示与词向量拼接得到词语的集成化表示，并利用卷积神经网络从集成化表示中提取重要兴趣特征，生成帖子的深度语义表示，从而探索了用户交互行为对内容语义的影响；进一步，使用双向长短期记忆网络编码帖子之间的依赖关系生成用户的内容语义表示；最终，该方法基于融合内容语义和交互行为信息的综合性表示预测用户兴趣偏好。
3. 基于门限机制及词语移动距离的用户兴趣摘要抽取方法。为了提高用户兴趣建模方法的可解释性，针对自动抽取与用户兴趣密切关联的词语的挑战性问题，本文提出了一种基于门限机制及词语移动距离的用户兴趣摘要抽取方法，抽取代表性的词语和句子直观解释各类兴趣相关的人物。该方法首先使用门限机制和卷积操作融合场景信息，控制词语信息在网络中的流动；而后，使用最大池化操作选取重要词语特征，生成语义表示并预测兴趣类别，从而建立了词语特征与兴趣类别之间的关联关系；进一步，将最大池化操作识别的各个类别中最重要的词语作为相应的兴趣特征；最终，使用词语移动距离度量各个句子与兴趣特征的相关性及句子之间的语义冗余性，将相关性高、语义冗余性小的句子作为兴趣文摘。