微博應(yīng)用中“轉(zhuǎn)世賬號(hào)”的研判技術(shù)與實(shí)現(xiàn).pdf

1、隨著中文微博平臺(tái)的快速發(fā)展，微博已經(jīng)融入并且開始影響人們的日常生活，微博上的很多觀點(diǎn)言論正在潛移默化地影響著人們的價(jià)值判斷。而人是言論傳播的主體，微博平臺(tái)的開放性使一個(gè)人在微博上可以對(duì)應(yīng)多個(gè)虛擬身份，轉(zhuǎn)世賬號(hào)就是一類在網(wǎng)絡(luò)輿論監(jiān)測過程中出現(xiàn)的一個(gè)用戶對(duì)應(yīng)多個(gè)賬號(hào)的情況，本文主要研究轉(zhuǎn)世賬號(hào)的研判問題。
　　轉(zhuǎn)世賬戶現(xiàn)象是在不同時(shí)間上同一微博平臺(tái)上存在的兩個(gè)或者多個(gè)賬號(hào)對(duì)應(yīng)同一個(gè)用戶的現(xiàn)象。本文在調(diào)研了微博用戶研究所用信息來源的基礎(chǔ)

2、上，篩選出賬戶名、博文時(shí)間和內(nèi)容三個(gè)具有高可信性的信息來源，作為研究的基礎(chǔ)數(shù)據(jù)，接著提出了一種基于時(shí)序和相似性的轉(zhuǎn)世賬戶研判模型，論文主要包括以下四個(gè)研究貢獻(xiàn)：
　　（1）由于受記憶、知識(shí)和時(shí)間及習(xí)慣等原因限制，同一用戶命名自己的不同賬戶時(shí)傾向于選擇相似賬戶名。本文通過研究轉(zhuǎn)世賬戶不同賬戶名的命名規(guī)則及賬戶名間的高相似性，利用相似性設(shè)計(jì)并實(shí)現(xiàn)了待查賬戶候選賬戶集產(chǎn)生算法。該算法將賬戶名中包含待查賬戶名任一中文字符的賬戶選入候選集，

3、在最大程度上保留了相似賬號(hào)。
　　（2）針對(duì)轉(zhuǎn)世賬戶的特殊性，提出了一種博文時(shí)序樹算法。由于轉(zhuǎn)世賬戶的前世賬戶與現(xiàn)世賬戶的博文一般在時(shí)間維度上有一個(gè)嚴(yán)格的先后順序，即現(xiàn)世賬戶的博文不早于前世賬戶的博文發(fā)表時(shí)間，并且其第一條博文的時(shí)間不會(huì)滯后于前世賬戶發(fā)表最后一條博文太長時(shí)間。借助這種時(shí)序關(guān)系對(duì)博文進(jìn)行處理，最終形成一棵以待查賬戶為根，疑似前世賬戶為節(jié)點(diǎn)的時(shí)序樹，完成候選賬戶集的時(shí)序篩選驗(yàn)證。
　?。?）研究文本相似度計(jì)算方法

4、，改進(jìn)了余弦相似度計(jì)算方法。本文針對(duì)兩個(gè)應(yīng)用改進(jìn)了余弦相似度算法。首先對(duì)于賬戶名這種超短文本，其相似性不能僅依靠判斷所使用的字相同就認(rèn)為其相似，故本文針對(duì)余弦相似度算法不能區(qū)別文本結(jié)構(gòu)上的不同，通過加權(quán)最少編輯距離算法進(jìn)行改進(jìn)，取得了更好的研判效果；另外是對(duì)博文相似度，本文認(rèn)為對(duì)于命名實(shí)體相同的微博文本，其談?wù)摰脑掝}是相似的，因而本文將文本向量空間分為命名實(shí)體空間和其他特征項(xiàng)空間，并且加大了命名實(shí)體在特征向量里的權(quán)重，該算法可以推廣至基

5、于話題的相似性計(jì)算。
　?。?）基于以上算法，提出了一種基于時(shí)序和相似性的轉(zhuǎn)世賬戶研判模型，并在新浪數(shù)據(jù)上進(jìn)行了有效性驗(yàn)證。模型主要分為兩大模塊：候選賬戶集產(chǎn)生模塊（Identity Search）和篩選驗(yàn)證模塊（Identity Matching）。前者使用候選賬戶集產(chǎn)生算法生成待查賬戶的候選賬戶集，盡可能避免漏掉可能的前世賬號(hào)；后者進(jìn)行時(shí)序和相似性的篩選驗(yàn)證，盡可能甄別刪除不是前世賬戶的賬戶。
　　本文在對(duì)模型設(shè)計(jì)的基礎(chǔ)