多視圖微博話題檢測(cè)方法研究.pdf

1、隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的蓬勃發(fā)展,社會(huì)化媒體越來(lái)越受到廣大網(wǎng)民的日益關(guān)注。近年來(lái),微博作為一種新型的社會(huì)化媒體,已經(jīng)得到了人們的廣泛關(guān)注,許多國(guó)內(nèi)外的重大事件都是通過(guò)它在第一時(shí)間傳播給人們。海量的微博短文本數(shù)據(jù)中蘊(yùn)含著大量有價(jià)值的熱點(diǎn)話題,自動(dòng)檢測(cè)這些話題可以更好為人們提供更多全方位的動(dòng)態(tài)消息。然而,傳統(tǒng)的話題檢測(cè)算法已經(jīng)無(wú)法滿足這種新型社會(huì)化媒體的短文本數(shù)據(jù)。針對(duì)此問(wèn)題,本論文主要研究了一種基于多視圖技術(shù)的微博話題檢測(cè)方法,該方法充分考

2、慮了微博文檔之間的語(yǔ)義關(guān)系和社會(huì)化關(guān)系,具有較好的話題檢測(cè)效果。論文的主要工作和創(chuàng)新點(diǎn)如下。
　　首先,本文提出了一種采用微博間語(yǔ)義關(guān)系和社會(huì)關(guān)系的多視圖微博話題檢測(cè)方法。在表征微博文之間關(guān)系的時(shí)候,本文不但利用了傳統(tǒng)文本語(yǔ)義關(guān)系,也利用了博文之間社會(huì)關(guān)系,從而彌補(bǔ)了語(yǔ)義關(guān)系的不足。博文間的語(yǔ)義關(guān)系和社會(huì)關(guān)系可以構(gòu)成一個(gè)多視圖,然后我們采用基于譜聚類的多視圖聚類算法對(duì)微博博文進(jìn)行聚類,并從話題簇中提取出具有代表性的關(guān)鍵詞。文章通過(guò)

3、實(shí)驗(yàn)驗(yàn)證了多視圖聚類比任意一種單視圖聚類有著更好的聚類效果。
　　其次,為了更準(zhǔn)確地表征博文間語(yǔ)義關(guān)系,本文提出了一種新的基于后綴樹(shù)的文檔相似度度量算法。在該方法中,首先通過(guò)后綴樹(shù)檢測(cè)出文檔間的共同短語(yǔ),由于短語(yǔ)比單個(gè)詞的隨機(jī)組合有著更豐富的語(yǔ)義信息,然后對(duì)短語(yǔ)中的詞進(jìn)行額外加權(quán),因而能更準(zhǔn)確的度量文檔之間的相似度。實(shí)驗(yàn)表明通過(guò)對(duì)短語(yǔ)進(jìn)行加權(quán),可以更好的度量博文之間的語(yǔ)義關(guān)系。
　　再次,在表征微博博文間社會(huì)化關(guān)系時(shí),我們提