积分商城

最新搜索： KEA128 电源 路径规划 ide手册 传感器 跌倒
您现在的位置是：首页 > 技术资料 > 一种融合用户关系的自适应微博话题跟踪方法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

一种融合用户关系的自适应微博话题跟踪方法

更新时间：2019-12-24 06:22:34 大小：2M 上传用户：zhiyao6查看TA发布的资源 标签：自适应微博话题跟踪 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对微博口语化、文本短小等特点以及现有研究的不足,本文提出了一种融合用户关系的自适应微博话题跟踪方法.首先,在当前跟踪的时间窗内,推文被映射到特征空间,并作为候选推文集合.然后,针对推文的分布特点以及话题跟踪的目的,变换推文特征空间.在此基础上,利用改进的K-means聚类算法对候选推文集合进行二元聚类,从而划分出相关推文集合,即当前话题目标模型.本文通过Twitter平台获取数据进行实验,实验结果表明,该方法能够实时地跟踪话题热度的变化以及焦点的演变,并提高了微博中话题跟踪的稳定性.该方法为用户推荐、舆情分析等领域提供了有效的支撑.


部分文件列表

文件名 大小
一种融合用户关系的自适应微博话题跟踪方法.pdf 2M

【关注B站账户领20积分】

部分页面预览

（完整内容请下载后查看）
6
Vol． 45 No． 6  
Jun． 2017  
第
期
电
子
学
报
2017  
6
ACTA ELECTRONICA SINICA  
年
月
一种融合用户关系的  
自适应微博话题跟踪方法  
1，2  
1
1
3
， ， ，  
柏文言 张 闯 徐克付 张志明  
( 1．  
，
中国科学院信息工程研究所 北京  
100093; 2．  
，
北京邮电大学计算机学院 北京  
100876;  
3．  
，
北京英孚泰克信息技术股份有限公司 北京  
100089)  
:
、 ，  
针对微博口语化 文本短小等特点以及现有研究的不足 本文提出了一种融合用户关系的自适应微博  
摘
要
． ， ， ， ． ，  
话题跟踪方法 首先 在当前跟踪的时间窗内 推文被映射到特征空间 并作为候选推文集合 然后 针对推文的分布特  
， ． ，  
点以及话题跟踪的目的 变换推文特征空间 在此基础上 利用改进的  
K-means  
聚类算法对候选推文集合进行二元聚  
， ， ．  
类 从而划分出相关推文集合 即当前话题目标模型 本文通过  
Twitter  
， ，  
平台获取数据进行实验 实验结果表明 该方法  
， ． 、  
能够实时地跟踪话题热度的变化以及焦点的演变 并提高了微博中话题跟踪的稳定性 该方法为用户推荐 舆情分析  
．
等领域提供了有效的支撑  
:
;
;
;
;
; K-means  
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
微博 话题跟踪 自适应 用户关系 极坐标  
算法  
0372-2112 ( 2017) 06-1375-07  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 06． 014  
:
TP391  
:
A
:
文章编号  
文献标识码  
电子学报  
A Self-Adaptive Microblog Topic  
Tracking Method by User Relationship  
1，2  
1
1
3
BAI Wen-yan ，ZHANG Chuang ，XU Ke-fu ，ZHANG Zhi-ming  
( 1． Institute of Information Engineering，Chinese Academy of Sciences，Beijing100093，China;  
2． School of Computer Science，Beijing University of Posts and Telecommunications，Beijing100876，China;  
3． Information Technologies Co，( Beijing) Ltd，Beijing 100089，China)  
Abstract: Considering the colloquial，short text and other characteristics of microblog and deficiencies in research of  
it，this article proposes a self-adaptive topic tracking method of microblog by user relationship． First of all，during the track-  
ing time window，the candidate tweet set is mapped into feature space． Secondly，aiming at the characteristic of tweet distri-  
bution and the purpose of topic tracking，the paper converts the tweets’feature space． Based on this operation，a binary clus-  
tering on tweets set can be constructed by improved K-means clustering algorithm． The yielded relative collection is the tar-  
get model of the current topic． The experiments with the data extracted from Twitter，show that this method can track down  
the trend of hot topics and the evolution of focuses in real time，and improve the stability of topic tracking in microblog． This  
method serves well for user recommendation and public opinion analysis．  
Key words: microblog; topic tracking; self-adaptive; user relationship; polar coordinates; K-means algorithm  
．
话题的动 态 跟 踪 有着迫 切 的 需求 话 题 跟 踪  
( Topic  
1
引言  
Tracking，TT)  
，
是信息跟踪研究领域的一个实例 其旨  
，
随着微博的快速发展和广泛使用 在 微 博 空 间  
，
在根据给定的话题信息 在后续未知数据流中跟踪  
，
中每天都会产生海量的数据信息 这些信息包括文  
，
已知话题的所有相关报道信息 得到话题的进展和  
、 ． ，  
字 图片以及视频链接等 在微博的网络空间中 微  
． ，  
演变情况 与传统的网页新闻和博客相比 微博具有  
．
博用户往往更加关注热点事件的实时进展情况 从  
、 、 ，  
内容短小 原创性 口语化以及实时性等特点 所以  
， ，  
而 在这种实时更新的宏大信息流中 用户对于微博  
，
针对微博的话题跟踪 传统的长文跟踪方法已经不  
: 2015-07-24;  
: 2016-01-08; :  
责任编辑 覃怀银  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金  
( No． 61602474)  
1376  
2017  
年
电
子
学
报
． ，  
适用 因此需要在传统话题跟踪方法的基础上 从微  
本文提出了一种融合用户关系的自适应微博话题跟  
: ( 1)  
，
博的特点出发 研究如何解决微博话题跟踪中短文  
．
踪方法 该方法具有以下贡献  
引入用户属性协助  
、 ，  
本处理 时变性等难点问题 从而实现在错综复杂的  
， ，  
推文的相关性判断 用户属性来自于其历史推文 从  
，
数据流中获得话题的相关信息 满足用户对话题进  
． ( 2)  
而借助其历史行为增加推文判断的稳定性  
对推  
．
， ，  
文特征空间进行坐标变换 使其近似线性可分 从而  
行持续跟踪的需求  
，
使聚类问题简化为二元聚类 有效的提高了推文判断  
2
相关工作  
． ( 3)  
的效率与准确性  
采用迭代跟踪方式替代逐条分  
，
针对微博的话题跟踪的特点 许多学者突破了长  
， ;  
类 不需要样本进行初始训练 利用当前跟踪到的相  
，
文本话题跟踪的技术 在微博话题跟踪领域展开了新  
，
关推文集合生成新一轮的话题跟踪模型 并能够密切  
． ， ，  
的研究 在国外 一些学者对英文的微博进行了研究 其  
． ( 4)  
跟踪话题的焦点演变  
话题跟踪在推文集合上进  
［1］  
Twitter  
．
上的数据 提出通过话题模型  
、
中主要是基于  
， ，  
行 关注话题的整体走向 强调热度的变化与焦点的  
［2］  
［3］  
、
，
事件检测  
通过反馈迭代  
话题漂移的问题  
热词感知 等方法获得突发性话题 以及  
．
演变 话 题 跟 踪 效 果 不 依 赖 于 单 条 推 文 相 关 度 的  
［4］  
［5］  
［6］  
、
、
稀疏矩阵 等方法解决  
时间概率  
．
判别  
．
3
研究内容  
，
在国内 一些学者针对中文微博的话题跟踪展开  
3． 1  
话题跟踪模型概述  
在本文的话题跟踪模型中 主要包括三个集合 分  
． ，  
了研究 针对微博短文本处理问题 提出多种扩展特征  
［7 ～ 9］  
，
:
，
向量的方法  
对于微博文本相似度的计算也提出了  
［10］  
［11］  
［12］  
“ ” 、“ ”  
别是 网状 动态的用户集合 带状 延展的推文集合  
、
、
、
相似距  
基于热度  
语义结构  
特征词关联度  
［13］  
“ ” ． 1 ，  
以及 柱状 附有权值的话题特征集合 如图 所示 在  
．
等多种方法 在特征提取和相似度计算等支撑算  
离
［14］  
， ，  
话题跟踪过程中 用户集合会不断地被更新 包括将非  
，
法基础上 利用  
K-means  
，
基于微  
的话题模型的聚类  
［15］  
、
相关用户标记为相关用户 更新已有用户的相关权值  
博信息熵的动态话题跟踪 等微博话题跟踪方法也得  
． ，  
以及将相关用户标记为非相关用户 其次 推文集合类  
．
到了研究与发展  
“ ”， 、  
似于一条 传送带 沿着时间线不断地增加新推文 淘  
，
针对微博的话题跟踪 国内外的许多学者进行了  
．
汰过期推文 而话题特征集合是附有权值的话题焦点  
， ，  
相关的研究 但是现有方法仍存在诸多的问题 目前  
， ， ，  
集合 在跟踪过程中 随着话题的发展 话题特征集合中  
，
多数方法基于文本分类技术实现话题跟踪 该类方法  
． 、  
焦点不断演变 本文主要是通过用户集合 推文集合以  
，
依赖于初始样本训练 但通常在微博话题产生的初始  
及话题特征集合三者之间的相互作用和影响来实现融  
， ，  
阶段 没有足够的可用于训练的初始样本 过少的训  
， :  
合用户关系的自适应微博话题跟踪 基本思路如下 首  
． ，  
练样本会造成分类器的泛化能力严重降低 同时 该  
， ，  
先 整个话题跟踪系统由用户驱动 用户集合中的所有  
，
类方法是通过逐条判断的方法实现话题的跟踪 并没  
，
用户行为直接推动推文集合按时间线延展 其中强相  
，
有充分利用用户信息及其历史行为 也没有结合当前  
，
关用户的推文被标记为高相关度候选推文 作为后续  
，
话题的背景语义 仅依赖于及其短小且口语化的文本  
． ， ，  
跟踪的重要依据 然后 在当前跟踪时间窗内 利用话题  
， ．  
信息 往往无法提取出特异性属性 针对微博的特点  
，

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

资料专题

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号