基于博文分布特征的博客精選技術(shù)研究.pdf

1、博客精選技術(shù)（Blog Distillation）是一種在大量博客中檢索出圍繞某個專一主題發(fā)表文章的博客的過程。在互聯(lián)網(wǎng)上，用戶往往希望找出一些特別關(guān)注某個興趣的博客，例如籃球，電影，政治選舉等等，這些博客所發(fā)表的博文往往大部分都集中于一個專一的興趣或主題上，用戶可以通過RSS訂閱來關(guān)注該博客的更新動態(tài)，以獲得該領(lǐng)域的知識。博客精選技術(shù)可以幫助互聯(lián)網(wǎng)用戶方便的找到志同道合的博客朋友，或找到自己感興趣的某話題的專家，從而滿足自己對該領(lǐng)域了

2、解、學(xué)習(xí)與交友的需求?；谶@個目的，本文重點研究了博客精選技術(shù)，并提出了基于博文分布特征的精選方法。與傳統(tǒng)方法相比，本文的主要創(chuàng)新工作與成果如下：
　　 1）設(shè)計并實現(xiàn)了一組基于博文相似度均值的基線實驗，并結(jié)合博文的召回率—精確率分布曲線，在不浪費系統(tǒng)資源的前提下計算獲得最高精確率的最小召回文檔數(shù)，極大地提高了計算的效率與準(zhǔn)確度。同時，該基線實驗方案在2009年TREC全球Blog Distillation測試任務(wù)中獲得了單項指

3、標(biāo)第一的成績。
　　 2）本文使用博客的博文相似分布為特征，側(cè)重于挖掘特定話題下不同相關(guān)度的博客所含博文的分布特點。與傳統(tǒng)側(cè)重于挖掘主題與文章關(guān)鍵詞之間相關(guān)度的方法不同，本文將檢索的本質(zhì)從“主題—關(guān)鍵詞”的關(guān)系轉(zhuǎn)化為“相關(guān)性—分布特征”的關(guān)系，更本質(zhì)的揭露了相關(guān)博客的特征，并以此提出了一種質(zhì)—數(shù)曲線，該曲線除了能很好的表征不同類別博客的分布特點外，也直接抽象出了博客的特征向量，本文以此特征向量進(jìn)行分類識別取得了較高的精確度。