基于標(biāo)簽分類樹的Blog主題提取技術(shù)研究.pdf

1、Blog是一種流行的個(gè)人媒體。它承載了大量有價(jià)值的信息，并且在互聯(lián)網(wǎng)中的地位越來越重要，已經(jīng)成為人們?nèi)粘Ｉ詈凸ぷ髦胁豢苫蛉钡囊徊糠?。然而由于blog與傳統(tǒng)的網(wǎng)頁的信息特點(diǎn)有很大的不同，如何對(duì)blog中的信息進(jìn)行針對(duì)性的檢索和更深層次的挖掘利用，已經(jīng)成為當(dāng)前互聯(lián)網(wǎng)應(yīng)用研究中的一個(gè)熱點(diǎn)。
　　本文對(duì)blog的內(nèi)容的主題提取方法進(jìn)行了研究，目標(biāo)是提取出blog所討論的每個(gè)主題，其中每個(gè)主題以一個(gè)詞語來表示。每個(gè)blog可能能夠提取出多

2、個(gè)主題，每個(gè)主題也可以作為該blog的類別標(biāo)記。
　　本文在對(duì)blog中的標(biāo)簽特點(diǎn)進(jìn)行深入的分析之后，發(fā)現(xiàn)這些標(biāo)簽詞與post內(nèi)容有很高的相關(guān)度，但是由于其隨意性、靈活性等特征，使得直接將它們當(dāng)作主題詞很困難。為了克服這個(gè)問題，本文先提出了一種基于標(biāo)簽的blog頻度特征選擇方法，并結(jié)合向量空間模型來表示post文本。然后提出了一個(gè)基于層次聚類的標(biāo)簽分類樹的構(gòu)造算法，這個(gè)算法通過遞歸地對(duì)標(biāo)簽進(jìn)行層次聚類和主題泛化，能夠發(fā)現(xiàn)blog中

3、標(biāo)簽之間在語義上的層次關(guān)系，并將這種關(guān)系以樹形結(jié)構(gòu)來表示，形成一棵標(biāo)簽分類樹。
　　在構(gòu)造出標(biāo)簽分類樹之后，本文又提出了一個(gè)利用這棵標(biāo)簽分類樹來提取blog主題的算法，通過綜合考慮blog標(biāo)簽和內(nèi)容中的少數(shù)特征詞在標(biāo)簽樹中的位置，就能提取出blog的一個(gè)或多個(gè)主題。通過理論分析和實(shí)驗(yàn)證明，以上算法具有比較低的復(fù)雜度，尤其是主題提取算法只有常數(shù)的時(shí)間復(fù)雜度，結(jié)果也具有比較高的準(zhǔn)確度。
　　基于以上的研究成果，本文設(shè)計(jì)并實(shí)現(xiàn)了一