[发明专利]发现论坛热帖的方法和系统

权利要求书

1.一种发现论坛热帖的方法，其特征在于，包括：

对论坛帖子源数据的一般特性进行汇总，获得特征化数据；

依据所述特征化数据，将内容相似的帖子聚合成帖子簇；

综合考虑预设影响因素计算每一个帖子簇的热度值，将热度值较高的帖子簇作为论坛热帖，所述预设影响因素包括：类簇贴子数、网站权重、发帖者等级、帖子浏览量、回帖数量、回帖者等级、发帖时间、最后回帖时间。

2.根据权利要求1所述的发现论坛热帖的方法，其特征在于，在执行上述各步骤之前还包括：

清理论坛帖子数据源中的不合理数据，保留有效源数据。

3.根据权利要求1所述的发现论坛热帖的方法，其特征在于，所述对论坛帖子源数据的一般特性进行汇总，获得特征化数据；具体包括：

对帖子的标题和正文进行分词，将帖子转化为形如<w₁，w₂，w₃…w_n>的词元序列，其中，w_i表示分词后的词元；

参照停用词库过滤所述词元序列中的停用词元，获得有效词元序列；

采用计数方式对所述有效词元序列中的每个有效词元进行计分统计；

对所述有效词元的计分统计进行归一化处理，获得每个有效词元的概率统计值；

将所述每个有效词元的概率统计值与预设阈值λ进行比较，保留概率统计值大于预设阈值λ的词元，并将特征提取后的每条帖子记录表示成向量X＝(<w₁，c₁>,<w₂，c₂>,<w₃，c₃>…<w_n，c_n>)，其中：c_i≥λ，c_i表示有效词元的出现频率；w_i表示有效词元。

4.根据权利要求1所述的发现论坛热帖的方法，其特征在于，所述依据特征化数据，将内容相似的帖子聚合成帖子簇；具体包括：

扫描所有特征化后的帖子记录，采用预设计算方法计算帖子之间的相似度；

基于帖子之间的相似度与预设阈值的比较，对所述特征化后的帖子记录进行聚类，获得不同的帖子簇。