在開放、動態(tài)、多變的互聯(lián)網(wǎng)環(huán)境下，軟件需要能感知其外部環(huán)境的變化，并據(jù)此調(diào)整自身行為，以持續(xù)提供滿足甚至超出用戶期望的服務(wù)。因此，軟件外部環(huán)境的建模、處理等一直以來得到學(xué)術(shù)界的廣泛重視。學(xué)術(shù)界將軟件的外部環(huán)境抽象為軟件的上下文，具體而言，包括計算上下文、物理上下文、時間上下文、用戶上下文等。隨著軟件用戶群體的不斷擴大，現(xiàn)代軟件大多具有用戶需求多樣化的特點，導(dǎo)致用戶上下文日益得到重視。具體而言，高質(zhì)量的軟件需要全面高效地感知其服務(wù)的用戶，通過對用戶上下文信息的加工和處理，提供滿足不同用戶的個性化服務(wù)。
研究者以“用戶情境（user situation）”來涵蓋各類用戶上下文信息，具體而言，包含年齡、性別等生存周期較長的靜態(tài)用戶情境，以及喜好、情感狀態(tài)等生存周期較短的動態(tài)用戶情境。相應(yīng)地，感知用戶情境的過程被稱為用戶情境解析，包括感知靜態(tài)用戶情境（即靜態(tài)用戶情境解析）和感知動態(tài)用戶情境（即動態(tài)用戶情境解析）。
文本輸入是用戶與軟件最重要的交互形式之一，基于交互文本（即用戶輸入文本）的用戶情境解析是學(xué)術(shù)界的研究熱點。但是，現(xiàn)有基于交互文本的方法存在一定的問題。一方面，現(xiàn)有基于交互文本的靜態(tài)用戶情境解析方法存在較大的隱私風(fēng)險。具體而言，性別、年齡等靜態(tài)用戶情境通常難以通過用戶交互所產(chǎn)生的少量文本解析得出，服務(wù)提供商往往收集用戶在長時間內(nèi)產(chǎn)生的大量交互文本進(jìn)行解析，以提高解析效果。這種對大量交互文本進(jìn)行存儲和處理的做法，增加了訪問和泄露用戶隱私的風(fēng)險。另一方面，現(xiàn)有基于交互文本的動態(tài)用戶情境解析方法主要針對英語和社交媒體領(lǐng)域，導(dǎo)致在其他語言和其他領(lǐng)域人工標(biāo)簽數(shù)據(jù)不足，解析效果不佳。為了解決這一問題，直觀的做法是為每種語言、每種領(lǐng)域都人工標(biāo)注大量的數(shù)據(jù)。但是，人工標(biāo)注耗時耗力，可行性較低。
針對上述問題，本書提出了基于泛在交互文本的用戶情境解析方法。泛在交互文本是以計算機為中介的文本溝通中相對直觀的視覺表達(dá)，與傳統(tǒng)交互文本相互補充。常見的泛在交互文本包括顏文字（emoticon）和繪文字（emoji）等。一方面，泛在交互文本被世界各地用戶廣泛使用，且不同靜態(tài)用戶情境的用戶在泛在交互文本的使用上存在差異，啟發(fā)本書在特定情況下使用泛在交互文本代替?zhèn)鹘y(tǒng)交互文本，用于靜態(tài)用戶情境解析，以降低用戶隱私風(fēng)險。另一方面，泛在交互文本常在文本交互中被用于表達(dá)情感、情緒、語義等信息，啟發(fā)本書使用泛在交互文本作為情感等動態(tài)用戶情境的代理標(biāo)簽，彌補動態(tài)用戶情境解析中特定語言、特定領(lǐng)域人工標(biāo)簽數(shù)據(jù)的不足。
具體而言，本書的主要工作和創(chuàng)新點如下：
1.提出了基于監(jiān)督學(xué)習(xí)的靜態(tài)用戶情境解析技術(shù)EmoLens。EmoLens基于實證分析開展特征工程，從用戶文本交互中提取出對靜態(tài)用戶情境有區(qū)分度的泛在交互文本使用特征，并基于經(jīng)典的機器學(xué)習(xí)算法，采用監(jiān)督學(xué)習(xí)的方式訓(xùn)練得到靜態(tài)用戶情境解析模型。相較于現(xiàn)有基于傳統(tǒng)交互文本的方法，EmoLens僅依賴用戶產(chǎn)生的泛在交互文本，降低了用戶隱私風(fēng)險。EmoLens在來自183個國家的134 419個真實用戶信息上的解析準(zhǔn)確率達(dá)到0.811，比基線方法提升了約24%，且解析效果與基于傳統(tǒng)交互文本的方法相當(dāng)。
2.提出了基于遷移學(xué)習(xí)的跨語言動態(tài)用戶情境解析技術(shù)ELSA。ELSA從公共平臺爬取大量包含泛在交互文本的英語和目標(biāo)語言數(shù)據(jù)，使用表征學(xué)習(xí)方法從中提取泛在交互文本使用的隱式特征，再協(xié)同機器翻譯將蘊含在這些特征中的知識通過遷移學(xué)習(xí)的方式遷移到目標(biāo)語言的動態(tài)用戶情境解析模型中。ELSA在9項基準(zhǔn)任務(wù)上平均準(zhǔn)確率達(dá)到0.840，顯著超過現(xiàn)有方法，錯誤率降低了約14%。
3.提出了基于遷移學(xué)習(xí)的領(lǐng)域特定動態(tài)用戶情境解析技術(shù)SEntiMoji。SEntiMoji從公共平臺爬取大量包含泛在交互文本的社交媒體領(lǐng)域和目標(biāo)領(lǐng)域數(shù)據(jù)，使用表征學(xué)習(xí)方法從中提取泛在交互文本使用的隱式特征，再將蘊含在這些特征中的知識通過遷移學(xué)習(xí)的方式遷移到目標(biāo)領(lǐng)域的動態(tài)用戶情境解析模型中。SEntiMoji在20項基準(zhǔn)任務(wù)上平均準(zhǔn)確率達(dá)到0.908，顯著超過現(xiàn)有方法，錯誤率降低了約21%。
在上述三項技術(shù)的基礎(chǔ)上，本書實現(xiàn)了一套基于泛在交互文本的用戶情境解析工具，合計包含13個API，可供各類客戶端調(diào)用。