一種基于話題影響力的微博話題溯源方法技術(shù)

本發(fā)明專利技術(shù)屬于話題溯源范疇語義社會網(wǎng)絡(luò)中的數(shù)據(jù)挖掘領(lǐng)域，具體涉及一種基于話題影響力的微博話題溯源方法。本發(fā)明專利技術(shù)包括：根據(jù)信息檢索領(lǐng)域的隱形語義查詢擴(kuò)展方法，對輸入的話題詞組tp進(jìn)行語義擴(kuò)展，得到與給定話題相關(guān)的前k個話題；確定微博網(wǎng)絡(luò)中的用戶關(guān)系及信息傳播規(guī)律，確定話題影響力TIN；根據(jù)影響力計算公式，以1h為一個時間步計算話題的影響力，得到話題在傳播過程中隨著時間變化的影響力趨勢，其影響力強(qiáng)度從話題初期的緩慢增長到急劇上升最后達(dá)到平穩(wěn)狀態(tài)，即話題成長為熱點(diǎn)；推導(dǎo)話題溯源遞推公式，并確定其溯源遞推終止條件，輸出引發(fā)話題的源頭。本發(fā)明專利技術(shù)使話題溯源遞推的終止條件更加準(zhǔn)確，溯源更加準(zhǔn)確有效。

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種基于話題影響力的微博話題溯源方法
本專利技術(shù)屬于話題溯源范疇語義社會網(wǎng)絡(luò)中的數(shù)據(jù)挖掘領(lǐng)域，具體涉及一種基于話題影響力的微博話題溯源方法。
技術(shù)介紹
本文所提出的話題溯源方法主要依據(jù)話題影響力的變化趨勢，故量化話題的影響力成為關(guān)鍵。目前，在線社會網(wǎng)絡(luò)的影響力研究主要分為兩大類：一是從結(jié)點(diǎn)的屬性特征分析影響力；二是基于社會網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)計算影響力。較早的研究常采用用戶的粉絲數(shù)作為度量影響力的指標(biāo)，這種方法過于直接簡單缺乏理論分析，在多數(shù)情況下并不準(zhǔn)確。另外，也有其他研究者借鑒WEB數(shù)據(jù)挖掘中鏈接分析的方法，如LeaderRank方法，在網(wǎng)絡(luò)中增加一個與所有節(jié)點(diǎn)雙向聯(lián)通的節(jié)點(diǎn)來改進(jìn)PageRank方法在非連通圖下排序不唯一的缺點(diǎn)；還有一種類PageRank方法稱為TwitterRank。該方法對主題內(nèi)容敏感，并且認(rèn)為用戶的影響力是其所有粉絲影響力的總和；由于上述方法僅依靠網(wǎng)絡(luò)結(jié)構(gòu)，使得某些節(jié)點(diǎn)能夠采用增加虛假粉絲的手段提高影響力。針對以上方法存在的缺陷，本文通過話題的內(nèi)容與話題中意見領(lǐng)袖的影響力確定話題在網(wǎng)絡(luò)中的全局影響力，使得話題的影響力度量更為全面準(zhǔn)確，并適合于話題溯源研究。目前在話題研究方面，有學(xué)者提出一種K樹模型，根據(jù)事件發(fā)生的時間戳，推測信息傳播的路徑以此達(dá)到溯源的目的；另有學(xué)者將互聯(lián)網(wǎng)上的話題溯源抽象為一個排序問題，并提出基于文檔時間、話題相關(guān)性和文檔之間關(guān)系三者結(jié)合的TCL話題溯源模型；還有人通過分析博客空間的轉(zhuǎn)發(fā)網(wǎng)絡(luò)，根據(jù)時間和鏈接關(guān)系進(jìn)行回溯抽取出信息傳播的骨干關(guān)系。當(dāng)前的話題溯源方法大多基于內(nèi)容相似度、時間順序以及鏈接關(guān)系，而如今的微博不同于以往的信息載體，其文本短小且用戶經(jīng)常采用轉(zhuǎn)發(fā)機(jī)制來推動信息傳播，并不適合進(jìn)行頁面相似度分析。由于話題在傳播擴(kuò)散過程中影響力不斷變化，因此可以通過分析語義相似的話題間影響力的變化情況，根據(jù)傳播理論中的動力學(xué)分析逐層縮小話題溯源的范圍，最終達(dá)到溯源的目的?；谝陨戏治觯緦＠夹g(shù)提出了一種基于話題影響力的微博話題溯源方法。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的在于提出一種溯源準(zhǔn)確度更高的基于話題影響力的微博話題溯源方法。本專利技術(shù)的目的是這樣實(shí)現(xiàn)的：(1)根據(jù)信息檢索領(lǐng)域的隱形語義查詢擴(kuò)展方法，對輸入的話題詞組tp進(jìn)行語義擴(kuò)展，得到與給定話題相關(guān)的前k個話題：(1.1)對數(shù)據(jù)集中的所有微博進(jìn)行去停用詞、詞干化預(yù)處理，構(gòu)建基于向量空間模型的文本數(shù)據(jù)庫；(1.2)對用戶提交的查詢話題進(jìn)行去停用詞、詞干化預(yù)處理，形成查詢的向量形式TP；(1.3)根據(jù)隱形語義索引LSI方法獲得與給定話題語義相關(guān)的前k個話題；(2)確定微博網(wǎng)絡(luò)中的用戶關(guān)系及信息傳播規(guī)律，確定話題影響力TIN：(2.1)在微博中搜索話題tpk包含的所有微博wbj,j＝1……n；(2.2)計算每條微博wbj的影響力wbinj；wbinj＝logfwj×logcmj×cpj，其中，fwj代表微博的被轉(zhuǎn)發(fā)數(shù)，cmj代表微博的回復(fù)數(shù)，cpj代表微博的有效回復(fù)率即回復(fù)的微博中有效回復(fù)數(shù)占回復(fù)數(shù)之比；(2.3)通過標(biāo)簽字段判斷話題tpk所屬的類別，確定話題類別在話題影響力計算公式中的權(quán)重tc；tc0代表話題類別的初始權(quán)重，wb代表某一時間段內(nèi)要溯源的話題tpk的微博數(shù)量,wba表示這一時間段內(nèi)網(wǎng)絡(luò)中的所有微博數(shù)；(2.4)計算話題tpk的內(nèi)容影響力CIN；(2.5)計算話題的意見領(lǐng)袖的影響力LIN，其中影響因素包括用戶對話題的敏感度貢獻(xiàn)度UC和權(quán)威度UA，用戶的影響力排名中前5位用戶為話題的意見領(lǐng)袖，他們的影響力之和為話題的意見領(lǐng)袖影響力；t表示實(shí)驗(yàn)持續(xù)時間，Butp(i)表示距實(shí)驗(yàn)起始時間第i個時間步用戶u所發(fā)布的與話題tp有關(guān)的微博數(shù)，包括轉(zhuǎn)發(fā)、回復(fù)、原創(chuàng)微博，代表Butp(i)的均值；Bitp表示距實(shí)驗(yàn)起始時間第i個時間步與話題tp有關(guān)的微博數(shù)，代表Bitp的均值，以1h為一個時間步，u1代表該用戶之前他的關(guān)注者中參與話題的人數(shù)，u2代表該用戶之后他的粉絲中參與話題的人數(shù)，b1代表用戶參與話題前他的關(guān)注者發(fā)表的與話題相關(guān)的微博數(shù)，b2代表用戶參與話題后他的粉絲發(fā)表的與話題相關(guān)的微博數(shù)，在影響力計算中的權(quán)重分配為：機(jī)構(gòu)和媒體，UA＝1.0；明星達(dá)人，UA＝0.8；草根用戶，UA＝0.4；(2.6)計算話題的影響力強(qiáng)度TIN；TIN＝CIN+LIN；(2.7)重復(fù)上述(2.1)到(2.6)步，計算出與話題tp相關(guān)的k個話題的影響力；(3)根據(jù)影響力計算公式，以1h為一個時間步計算話題的影響力，得到話題在傳播過程中隨著時間變化的的影響力趨勢，其影響力強(qiáng)度從話題初期的緩慢增長到急劇上升最后達(dá)到平穩(wěn)狀態(tài)，即話題成長為熱點(diǎn)；(4)推導(dǎo)話題溯源遞推公式，并確定其溯源遞推終止條件，輸出引發(fā)話題的源頭wbp：(4.1)根據(jù)話題的影響力變化趨勢逆向推導(dǎo)，得到溯源遞推公式：TIN(tp)＝minTIN(tpk)；(4.2)對話題的溯源模型進(jìn)行動力學(xué)分析，仿真話題傳播的演化過程，當(dāng)演化曲線趨于平穩(wěn)時即停止話題的溯源遞推，話題溯源模型包括三個狀態(tài)，以N表示未接觸話題狀態(tài)即未激活狀態(tài)，A表示接觸話題并傳播狀態(tài)即激活狀態(tài)，R表示接觸話題而不愿傳播狀態(tài)即免疫狀態(tài)；未激活態(tài)到激活態(tài)的概率為λ，激活態(tài)到免疫態(tài)的概率為μ，未激活態(tài)到免疫態(tài)的概率為θ；a(t)，n(t)，r(t)分別為A，N，R狀態(tài)的密度；(4.3)輸出曲線中處于話題從出現(xiàn)到發(fā)展成為熱門話題的臨界區(qū)間的微博wbp，p＝1……n。本專利技術(shù)的有益效果是：1、改進(jìn)微博網(wǎng)絡(luò)中的影響力計算方法，從宏觀層面考慮話題的影響力，使話題的影響力的度量方法更加全面并適合于話題溯源模型。2、對話題溯源遞推公式加入了動力學(xué)分析，改進(jìn)了傳統(tǒng)SIR傳染病模型中不同類型節(jié)點(diǎn)的狀態(tài)轉(zhuǎn)移關(guān)系，使得話題溯源遞推的終止條件更加準(zhǔn)確。3、由話題的影響力變化規(guī)律來構(gòu)建話題的溯源遞推公式，將話題的相似性與社會影響力相結(jié)合進(jìn)行溯源的方法在以短文本信息為主的微博網(wǎng)絡(luò)中更加準(zhǔn)確有效。附圖說明圖1為基于話題影響力的話題溯源的系統(tǒng)流程圖；圖2為話題溯源遞推算法的流程圖。具體實(shí)施方式下面結(jié)合附圖對本專利技術(shù)作進(jìn)一步描述。本專利技術(shù)的功能實(shí)現(xiàn)包括下述模塊：(1)查詢話題擴(kuò)展模塊根據(jù)信息檢索領(lǐng)域的隱形語義查詢擴(kuò)展方法，對輸入的話題詞組進(jìn)行語義擴(kuò)展，得到與給定話題相關(guān)的其他話題；(2)微博話題的影響力計算模塊對微博網(wǎng)絡(luò)中的用戶關(guān)系及信息傳播規(guī)律進(jìn)行探究，確定話題影響力由話題內(nèi)容和意見領(lǐng)袖的影響力共同決定，并分別給出話題內(nèi)容影響力計算公式和意見領(lǐng)袖的影響力計算公式；(3)話題影響力變化趨勢分析模塊根據(jù)話題影響力計算公式繪制話題在傳播過程中的影響力變化趨勢曲線，并分析其傳播規(guī)律；(4)話題溯源遞推模塊推導(dǎo)話題溯源遞推公式，并確定其溯源遞推終止條件，最終輸出引發(fā)話題的源頭。查詢話題擴(kuò)展模塊的步驟為：1)對數(shù)據(jù)集中的所有微博進(jìn)行預(yù)處理，構(gòu)建基于向量空間的文本數(shù)據(jù)庫；2)對用戶提交的查詢話題進(jìn)行預(yù)處理，形成查詢的向量形式；3)根據(jù)隱形語義查詢擴(kuò)展方法獲得與給定話題語義相關(guān)的其他話題。微博話題影響力計算模塊的步驟為：1)根據(jù)公式計算話題內(nèi)每條微博的內(nèi)容影響力；2)所有微博內(nèi)容影響力的平均值作為話題的內(nèi)容影響力；3)根據(jù)公式計算參與話題的每位用戶的影響力；4)用戶影響本文檔來自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于話題影響力的微博話題溯源方法，其特征在于：(1)根據(jù)信息檢索領(lǐng)域的隱形語義查詢擴(kuò)展方法，對輸入的話題詞組tp進(jìn)行語義擴(kuò)展，得到與給定話題相關(guān)的前k個話題：(1.1)對數(shù)據(jù)集中的所有微博進(jìn)行去停用詞、詞干化預(yù)處理，構(gòu)建基于向量空間模型的文本數(shù)據(jù)庫；(1.2)對用戶提交的查詢話題進(jìn)行去停用詞、詞干化預(yù)處理，形成查詢的向量形式TP；(1.3)根據(jù)隱形語義索引LSI方法獲得與給定話題語義相關(guān)的前k個話題；(2)確定微博網(wǎng)絡(luò)中的用戶關(guān)系及信息傳播規(guī)律，確定話題影響力TIN：(2.1)在微博中搜索話題tpk包含的所有微博wbj,j＝1……n；(2.2)計算每條微博wbj的影響力wbinj；wbinj＝log?fwj×log?cmj×cpj，其中，fwj代表微博的被轉(zhuǎn)發(fā)數(shù)，cmj代表微博的回復(fù)數(shù)，cpj代表微博的有效回復(fù)率即回復(fù)的微博中有效回復(fù)數(shù)占回復(fù)數(shù)之比；(2.3)通過標(biāo)簽字段判斷話題tpk所屬的類別，確定話題類別在話題影響力計算公式中的權(quán)重tc；tc=logwbawb×tc0]]>tc0代表話題類別的初始權(quán)重，wb代表某一時間段內(nèi)要溯源的話題tpk的微博數(shù)量,wba表示這一時間段內(nèi)網(wǎng)絡(luò)中的所有微博數(shù)；(2.4)計算話題tpk的內(nèi)容影響力CIN；CIN=1wb×Σj=1wb(wbinj)×tc]]>(2.5)計算話題的意見領(lǐng)袖的影響力LIN，其中影響因素包括用戶對話題的敏感度貢獻(xiàn)度UC和權(quán)威度UA，用戶的影響力排名中前5位用戶為話題的意見領(lǐng)袖，他們的影響力之和為話題的意見領(lǐng)袖影響力；t表示實(shí)驗(yàn)持續(xù)時間，Butp(i)表示距實(shí)驗(yàn)起始時間第i個時間步用戶u所發(fā)布的與話題tp有關(guān)的微博數(shù)，包括轉(zhuǎn)發(fā)、回復(fù)、原創(chuàng)微博，代表Butp(i)的均值；Bitp表示距實(shí)驗(yàn)起始時間第i個時間步與話題tp有關(guān)的微博數(shù)，代表Bitp的均值，以1h為一個時間步，UC=logu2u1+logb2b1]]>u1代表該用戶之前他的關(guān)注者中參與話題的人數(shù)，u2代表該用戶之后他的粉絲中參與話題的人數(shù)，b1代表用戶參與話題前他的關(guān)注者發(fā)表的與話題相關(guān)的微博數(shù)，b2代表用戶參與話題后他的粉絲發(fā)表的與話題相關(guān)的微博數(shù)，在影響力計算中的權(quán)重分配為：機(jī)構(gòu)和媒體，UA＝1.0；明星達(dá)人，UA＝0.8；草根用戶，UA＝0.4；(2.6)計算話題的影響力強(qiáng)度TIN；TIN＝CIN+LIN；(2.7)重復(fù)上述(2.1)到(2.6)步，計算出與話題tp相關(guān)的k個話題的影響力；(3)根據(jù)影響力計算公式，以1h為一個時間步計算話題的影響力，得到話題在傳播過程中隨著時間變化的的影響力趨勢，其影響力強(qiáng)度從話題初期的緩慢增長到急劇上升最后達(dá)到平穩(wěn)狀態(tài)，即話題成長為熱點(diǎn)；(4)推導(dǎo)話題溯源遞推公式，并確定其溯源遞推終止條件，輸出引發(fā)話題的源頭wbp：(4.1)根據(jù)話題的影響力變化趨勢逆向推導(dǎo)，得到溯源遞推公式：TIN(tp)＝min?TIN(tpk)；(4.2)對話題的溯源模型進(jìn)行動力學(xué)分析，仿真話題傳播的演化過程，當(dāng)演化曲線趨于平穩(wěn)時即停止話題的溯源遞推，da(t)dt=-λn(t)a(t)]]>dn(t)dt=λn(t)a(t)-μa(t)]]>dr(t)dt=μa(t)+θn(t)]]>話題溯源模型包括三個狀態(tài)，以N表示未接觸話題狀態(tài)即未激活狀態(tài)，A表示接觸話題并傳播狀態(tài)即激活狀態(tài)，R表示接觸話題而不愿傳播狀態(tài)即免疫狀態(tài)；未激活態(tài)到激活態(tài)的概率為λ，激活態(tài)到免疫態(tài)的概率為μ，未激活態(tài)到免疫態(tài)的概率為θ；a(t)，n(t)，r(t)分別為A，N，R狀態(tài)的密度；(4.3)輸出曲線中處于話題從出現(xiàn)到發(fā)展成為熱門話題的臨界區(qū)間的微博wbp，p＝1……n。...

【技術(shù)特征摘要】
1.一種基于話題影響力的微博話題溯源方法，其特征在于：(1)根據(jù)信息檢索領(lǐng)域的隱形語義查詢擴(kuò)展方法，對輸入的話題詞組tp進(jìn)行語義擴(kuò)展，得到與給定話題相關(guān)的前k個話題：(1.1)對數(shù)據(jù)集中的所有微博進(jìn)行去停用詞、詞干化預(yù)處理，構(gòu)建基于向量空間模型的文本數(shù)據(jù)庫；(1.2)對用戶提交的查詢話題進(jìn)行去停用詞、詞干化預(yù)處理，形成查詢的向量形式TP；(1.3)根據(jù)隱形語義索引LSI方法獲得與給定話題語義相關(guān)的前k個話題；(2)確定微博網(wǎng)絡(luò)中的用戶關(guān)系及信息傳播規(guī)律，確定話題影響力TIN：(2.1)在微博中搜索話題tpk包含的所有微博wbj,j＝1……n；(2.2)計算每條微博wbj的影響力wbinj；wbinj＝logfwj×logcmj×cpj，其中，fwj代表微博的被轉(zhuǎn)發(fā)數(shù)，cmj代表微博的回復(fù)數(shù)，cpj代表微博的有效回復(fù)率即回復(fù)的微博中有效回復(fù)數(shù)占回復(fù)數(shù)之比；(2.3)通過標(biāo)簽字段判斷話題tpk所屬的類別，確定話題類別在話題影響力計算公式中的權(quán)重tc；tc0代表話題類別的初始權(quán)重，wb代表某一時間段內(nèi)要溯源的話題tpk的微博數(shù)量,wba表示這一時間段內(nèi)網(wǎng)絡(luò)中的所有微博數(shù)；(2.4)計算話題tpk的內(nèi)容影響力CIN；(2.5)計算話題的意見領(lǐng)袖的影響力LIN，其中影響因素包括用戶對話題的敏感度貢獻(xiàn)度UC和權(quán)威度UA，用戶的影響力排名中前5位用戶為話題的意見領(lǐng)袖，他們的影響力之和為話題的意見領(lǐng)袖影響力；t表示實(shí)驗(yàn)持續(xù)時間，Butp(i)表示距實(shí)驗(yàn)起始時間第i個時間步用戶u所發(fā)布的與話題詞組tp有關(guān)的微博數(shù)，包括轉(zhuǎn)發(fā)、回復(fù)、原創(chuàng)微博，代表Butp(i)的均值；Bitp表示距實(shí)...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：楊靜，董圓，張健沛，王勇，初妍，張樂君，楊悅，張澤寶，國林，
申請(專利權(quán))人：哈爾濱工程大學(xué)，
類型：發(fā)明
國別省市：黑龍江;23