近年来伴随着社交媒体和人们的生活紧密联系在一起,衍生于社交媒体的影响者们越来越被人们关注和信任。影响者营销行业也因此得到了迅猛的发展。品牌与影响者之间在营销方面的合作成为了研究的热点。作为影响者营销的关键子任务之一,微影响者推荐也进入了其黄金发展期。现有的微影响者推荐方法大都致力于如何帮助给定品牌找到合作效果更好的微影响者,即这些工作主要关注品牌与微影响者合作时的营销效果。然而,在影响者营销中,仅考虑营销效果是片面的。选择合作伙伴会对品牌和微影响者自身的形象和发展方向都会产生潜移默化的长期性影响,两者在选择合作伙伴时需要考虑是否契合自身发展需求。为此,我们提出了一个基于概念的微影响者排序框架（Concept-based Micro-influencer Ranking Framework,CAMERA）,以同时解决微影响者推荐任务的营销效果问题和自我发展需求问题。我们设计了基于概念的社交媒体账户表示学习方法和微影响者排序函数来提升推荐效果。具体来说,我们将社交媒体概念引入社交媒体推荐任务,然后从历史活动和营销方向的角度学习社交媒体账户表示。并定义了两个自适应学习指标,即代言效果得分和微影响者影响力得分,以建模微影响者排序函数。为了满足自我发展的需求,可解释的历史活动概念分布和营销方向概念权重被用来帮助品牌和微影响者做出营销决策。本文的主要工作包括以下四部分:（1）为了解决品牌和微影响者在微影响者推荐任务中面临的营销效果问题和自我发展需求问题,本文提出了一个基于概念的微影响者排序框架——CAMERA。CAMERA由三个模块组成,分别是社交媒体概念学习,社交媒体账户表示学习和微影响者排序。（2）在社交媒体概念学习部分,我们将社交媒体概念引入微影响者推荐任务中,来用于对社交媒体账户的营销意图进行细粒度的理解。我们提出了一种跨模态社交媒体概念学习网络（Cross-modal Social Media Concept Learning Network,COSMIC）以完成社交媒体概念表示的学习。在社交媒体账户表示学习部分,社交媒体概念表示被用于从历史活动和营销方向的角度学习社交媒体账户表示。同时,一种双向概念注意力机制被用于聚焦品牌和微影响者基于社交媒体概念的营销方向。根据可解释的历史活动概念分布和营销方向概念权重,品牌和微影响者可以判断营销活动是否满足他们的自我发展需求,然后做出营销决策。（3）在微影响者排序部分,其核心是学习一个微影响者排序函数以计算给定品牌和任意微影响者之间的排序得分。我们将社交媒体交互信息用于建模品牌和微影响者合作时的代言信息以及微影响者的影响力信息,借此我们定义了两个自适应学习指标（代言效果得分和微影响者影响力得分）。（4）我们构造了两个数据集可以用于该领域的后续研究,分别是brand-micro-influencer数据集和post-concept数据集。我们的实验均围绕这两个数据集设计,推荐性能分析和推荐可解释性分析分别证明了 CAMERA的推荐效果和可解释性。