We have focused on influencer-based marketing in online social networks as a source of implicit learning about the preferences of social media users. Those users who use social networks on a daily basis are also the online shoppers who are confronted with huge information overload and a wide variety of online products and brands to choose from. The role of digital influencers in promoting products and spreading information to a large scale of followers who engage with the influencers’ posts and interact with them is our key to better understanding of these followers’ tastes and future purchase intentions. Hence, the analysis and the extraction of fine-grained details (which we refer to as user profiling) from digital influencers media content serves in collecting more information about the implicit preferences of their followers. With this knowledge, the chances of offering social media users better personalized services are enhanced. In this thesis, we empower cross-domain recommendations through the development of novel methods and algorithms for improving personalization through the effective mining of user profiles in online social networks. We developed a semantic information extraction framework from social media textual content that is able to capture fine-grained attributes with respect to the defined online shops taxonomy. Results form the aforementioned framework have been applied as input to the approaches we proposed to incorporate extracted textual hints in supporting the visual fine-grained classification of social media images in a dynamic way. Our methods have improved the classification accuracy when compared to state-of-the-art approaches. Moreover, we suggested solutions for incorporating the extracted products’ meta-data in embedding-based personalized recommendation architectures where our strategies improved the recommendations’ quality. In order to speed up the process of preparing large scale social media images datasets for deep learning image analysis, we developed a complete framework for detailed annotation, object localization and semantic segmentation. As our focus is also directed towards the analysis of interactions between social media users, we proposed a neural reinforcement learning approach that is based on estimating the established trust levels between social media users for controlling the amount of recommended updates they get from each other. Moreover, we proposed enhanced topic modelling algorithm for supporting interpretable yet dynamic summarizations of large social media contents.

Vi har fokuserat på influenserbaserad marknadsföring i sociala nätverk online som en källa till implicit lärande om sociala medianvändares preferenser. De användare som använder sociala nätverk dagligen är också online-shoppare som står inför enorm informationsöverbelastning och ett brett utbud av onlineprodukter och varumärken att välja mellan. Rollen hos digitala influenser när det gäller att marknadsföra produkter och sprida information till en stor skala av anhängare som engagerar sig i influencers inlägg och interagerar med dem är vår nyckel till bättre förståelse för dessa anhängares smak och framtida köpintentioner. Analysen och utvinningen av finkorniga detaljer (som vi kallar textit user profiling) från medieinnehåll för digitala influenser tjänar därför till att samla in mer information om deras implicita preferenser. Med denna kunskap tillämpad för att berika användarprofiler för sociala medier förbättras chanserna att erbjuda dem bättre anpassade tjänster. I denna avhandling ger vi rekommendationer över gränserna genom utveckling av nya metoder och algoritmer för att förbättra personalisering genom effektiv utvinning av användarprofiler i sociala nätverk online. Vi utvecklade en semantisk ram för informationsextraktion från textinnehåll i sociala medier som kan fånga finkorniga attribut med avseende på den definierade onlinebutikens taxonomi. Resultat från ovannämnda ramverk har använts som input till de tillvägagångssätt som vi föreslog för att införliva extraherade texttips för att stödja den visuella finkorniga klassificeringen av sociala mediebilder på ett dynamiskt sätt. Våra metoder har förbättrat klassificeringsnoggrannheten jämfört med toppmoderna metoder. Dessutom föreslog vi lösningar för att integrera de extraherade produkternas metadata i inbäddningsbaserade personliga rekommendationsarkitekturer där våra strategier förbättrade rekommendationernas kvalitet. För att påskynda processen att förbereda storskaliga bildmängder för sociala medier för djupinlärningsbildanalys utvecklade vi en komplett ram för detaljerad kommentar, objektlokalisering och semantisk segmentering. Eftersom vårt fokus också riktas mot analysen av interaktioner mellan användare av sociala medier, föreslog vi en neurologisk förstärkningsinlärningsmetod som baseras på att uppskatta de etablerade tillitsnivåerna mellan användare av sociala medier för att kontrollera mängden rekommenderade uppdateringar de får från varandra. Dessutom föreslog vi förbättrad ämnesmodelleringsalgoritm för att stödja tolkbara men dynamiska sammanfattningar av stora sociala medieinnehåll.