[发明专利]热点话题提取方法、装置和服务器

权利要求书

1.一种热点话题提取方法，其特征在于，所述方法包括：

选择至少一个目标用户账户在预定时间窗口内发布的信息作为数据源；

从所述数据源中提取至少两个词语，并将所述至少两个词语组成一个词表；

计算所述词表中各词语的权值，并根据所述权值选择至少两个词语作为关键词；

分别计算所述关键词中任意两个词语的相似度；

根据所述相似度对所述关键词进行聚类，得到至少一个词簇，从而提取所述至少一个词簇中排在靠前的预定个数个词簇中的关键词作为热点话题；

其中，所述计算所述词表中各词语的权值，包括：

设所述预定时间窗口为j，所述词表中的词语i在所述预定时间窗口内的权值为W_i,j、词频为TF_i,j，词频增长速度为G_i,j、逆文档频率为IDF_i,j、所述预定时间窗口之前的时间窗口的个数为K以及在所述预定时间窗口之前的第k个时间窗口内的词语i的词频为TF_i,k；

所述词表中的词语i在所述预定时间窗口内的词频增长速度为：

所述词表中的词语i在所述预定时间窗口内的权值为：

W_i,j＝logG_i,j+αlog(IDF_i,j*TF_i,j)；

其中，所述i、j、k、K均为正整数，0<α<1；

其中，所述根据所述相似度对所述关键词进行聚类，包括：

将所述关键词按照所述权值的大小进行降序排名，并将排在首位的关键词作为初始词簇；

依次计算各关键词与已有的词簇之间的距离；

选择已有的词簇中与当前关键词之间的距离最近的词簇作为目标词簇；

判断所述当前关键词与所述目标词簇之间的距离是否大于等于第四阈值；

若是，则将所述当前关键词作为新的词簇；

若不是，则将所述当前关键词并入所述目标词簇。

2.根据权利要求1所述的热点话题提取方法，其特征在于，所述选择至少一个目标用户账户在预定时间窗口内发布的信息作为数据源之前，还包括：

选择至少一个满足第一预定条件的用户账户作为所述目标用户账户；

其中，所述第一预定条件包括如下条件中的一种或两种：

用户账户在第二预定时间窗口内发布信息的条数大于等于第一阈值；

用户账户的听众数量大于等于第二阈值；

所述第一阈值和第二阈值均为大于等于1的整数。

3.根据权利要求1所述的热点话题提取方法，其特征在于，所述从所述数据源中提取至少两个词语，包括：

从所述数据源中提取出候选字符串；

对所述候选字符串进行分词，并计算所述候选字符串经过分词后得到的目标词语的词频；

将所述目标词语按照词频的大小进行排名，并提取出排名在前m位的目标词语；

其中，所述m为正整数。

4.根据权利要求3所述的热点话题提取方法，其特征在于，所述从所述数据源中提取出候选字符串，包括：

对所述数据源进行预处理，从而提取出所述候选字符串；

其中，所述预处理包括如下处理中的至少一种：

抛弃所述数据源中具有指向性的信息，所述具有指向性的信息包括具有“@+用户账户”形式的信息；

抛弃所述数据源中所述目标用户账户转发其他用户账户的信息；

抛弃所述数据源中话题标记中包括的内容，所述话题标记包括“#话题#”；

保留所述数据源中两条或者多条完全相同的信息中的一条信息。

5.根据权利要求3所述的热点话题提取方法，其特征在于，所述并计算所述候选字符串经过分词后得到的目标词语的词频之前，还包括：

选择所述候选字符串经过分词后得到的各词语中具有预定词性的词语作为所述目标词语；

其中，所述预定词性包括名词和/或动词。