在社会化媒体时代,图文并茂的表达方式成为主流,但是相比于文字,人类创作图片的过程相对复杂,因此借用已有的图片进行表达的方式受到用户欢迎。作为人们获取信息、交流、沟通的重要平台,社交网络平台成为丰富的数据来源。但社交网络数据的爆炸式增长又导致了严重信息过载。如何从海量社交媒体图片中找到适合用户表达又与用户风格相一致的图片是一个很有挑战性的问题。论文以花瓣网和新浪微博为对象,研究跨平台图片推荐问题。论文主要工作如下:1.提出了一种基于深度学习的图片情感自动识别方法。针对已有的面向深度学习模型训练的图片情感数据集存在数据噪音大的问题,提出基于标签冲突的数据清洗方法,提高训练数据纯度。进一步,采用重采样生成策略来减轻数据集分布不均衡的影响。最后在传统深度学习框架中增加回归损失函数来度量图片的情感强度属性作为监督信号。实验结果表明,本文提出的数据清洗和模型优化方法都对结果有较大改善。2.提出了一种跨平台用户偏好建模方法,通过提取用户的个性化信息,对两个平台的重叠用户进行建模。首先针对于两个平台的用户信息分别进行用户建模;进一步计算两个平台用户模型的相似度;最后根据用户相似性,将两个平台的用户偏好模型加权得到最终用户偏好模型。3.提出了一种面向用户输入文本的跨平台的图片推荐框架,首先基于用户生成的文本与图片的内容一致性进行匹配,得到基于内容的初始推荐列表;然后基于文本与图片的情感一致性进行匹配,得到基于情感的初始推荐列表。最终,融合内容、情感以及用户喜好模型,产生最终的图片推荐。实验结果表明本文提出的推荐框架远优于随机推荐算法。