在社会化媒体时代的社交网络平台上,图文并茂的表达方式已经成为主流。相比于原创一段文字并发布于社交媒体,用户创作图片的过程明显更加复杂。因此,使用已经存在的图片表达自己内容的方式受到了社交网络用户的欢迎。作为人们获取信息、交流、沟通的重要平台,社交网络平台给用户提供了丰富的数据来源、个性化的互动方式,但其数据的爆炸式增长又导致了严重的信息过载现象。如何从海量的源于社交网络的图片中找到符合用户文字表达内容,又与用户使用图片的风格相一致的图片成为了很有挑战性的问题。论文以新浪微博为研究平台,研究基于用户输入文本的图片推荐问题,并尝试提出一套完整的图片推荐体系,主要工作如下:1.借助python爬虫工具,从新浪微博、花瓣网上获取了大量数据。针对原始数据噪音较大的问题,本文基于新浪微博和花瓣网用户数据分布的特点,提出了一套数据清洗方法,对冗余信息进行了清洗,提高了训练数据纯度。进一步,提炼了用户基本信息、社交关系、微博图片、文本内容等信息,建立了用户人口统计学特征、微博内容特征、图片风格特征、影响力特征等特征组,强化了数据的表达能力。2.针对数据集中文本模态数据非常稀疏的问题,本文将图片以及其对应的文本描述转化成了BIW网络图,在对BIW网络图的连接关系与拓扑结构进行分析后,通过一种改进的随机游走算法解决了图片文本描述信息过短和文本描述缺失的问题。进一步,本文设计了一种基于BIW网络图嵌入向量的深度学习框架,获取了微博图片与文本的多模态联合表示。3.提出了三种基于多模态表示的用户风格建模方法。其中注意力模型考虑了在发布不同主题内容时用户风格的多样性,动态的对用户风格进行建模。随后,基于建立的用户风格模型,提出了一种综合利用用户当前输入文本、历史使用图片风格等多种要素的图片推荐框架,通过分析用户特征与候选图片之间的潜在联系,产生最终的图片推荐。实验结果表明,本文提出的特征提取、多模态表示学习、用户建模对于结果提升皆有效果,结合各模块后的推荐算法效果远优于常见算法。