Social voting is an emerging new feature in online social platforms, through which users can express their attitudes and opinions towards various interested subjects. Since both social relations and textual content decide the votes propagation, the diverse sources present opportunities and challenges for recommender systems. In this paper, we jointly consider these two factors for the online voting recommendation. First, we conduct feature learning on the vote content. Note that the vote questions are usually short and contain informal expressions, existing text mining methods cannot handle it well. We propose a novel topic-enhanced word embedding (TEWE) method, which learns the word vectors by considering both token-level semantics and document-level mixture topics. Second, we propose two Joint Topic-Semantic-aware Social Matrix Factorization (JTS-MF) models, which fuse social relations and textual content for the vote recommendation. Specifically, JTS-MF1 directly identifies the interaction strength to calculate the similarity among users and votes, while JTS-MF2 aims to preserve inter-user and inter-vote similarities during matrix factorization. Extensive experimental results on real online voting dataset show the effectiveness of our approaches against several state-of-the-art baselines. JTS-MF1 and JTS-MF2 models surpass the matrix factorization based method, with 25.4% and 57.1% improvements in the top-1 recall, and 59.12% and 25.1% improvements in the top-10 recall.

社交投票是在线社交平台中一个新兴的新功能，通过它用户可以表达对各种感兴趣主题的态度和观点。由于社会关系和文本内容都决定投票的传播，因此各种来源给推荐系统带来了机遇和挑战。在本文中，我们共同考虑了这两个因素以进行在线投票推荐。首先，我们对投票内容进行特征学习。请注意，投票问题通常简短且包含非正式表达，现有的文本挖掘方法无法很好地解决。我们提出了一种新颖的主题增强词嵌入（TEWE）方法，该方法通过同时考虑令牌级语义和文档级混合主题来学习单词向量。第二，我们提出了两个联合主题语义感知的社会矩阵分解（JTS-MF）模型，该模型融合了社会关系和文本内容以进行投票推荐。具体来说，JTS-MF1直接识别交互强度以计算用户和投票之间的相似度，而JTS-MF2的目的是在矩阵分解期间保留用户间和投票间的相似性。在真实的在线投票数据集上的大量实验结果表明，我们的方法针对几种最新基准的有效性。JTS-MF1和JTS-MF2模型超越了基于矩阵分解的方法，在前1个召回中分别提高了25.4％和57.1％，在前10个召回中分别提高了59.12％和25.1％。JTS-MF1直接识别交互强度，以计算用户和投票之间的相似性，而JTS-MF2的目的是在矩阵分解期间保留用户之间和投票之间的相似性。在真实的在线投票数据集上的大量实验结果表明，我们的方法针对几种最新基准的有效性。JTS-MF1和JTS-MF2模型超越了基于矩阵分解的方法，在前1个召回中分别提高了25.4％和57.1％，在前10个召回中分别提高了59.12％和25.1％。JTS-MF1直接识别交互强度，以计算用户和投票之间的相似度，而JTS-MF2的目的是在矩阵分解期间保留用户间和投票间的相似性。在真实的在线投票数据集上的大量实验结果表明，我们的方法针对几种最新基准的有效性。JTS-MF1和JTS-MF2模型超越了基于矩阵分解的方法，在前1个召回中分别提高了25.4％和57.1％，在前10个召回中分别提高了59.12％和25.1％。