[发明专利]一种中文微博突发热点话题检测方法

权利要求书

1.一种中文微博突发热点话题检测方法，其特征在于：所述方法包括以下步骤：

I、通过微博站点的数据接口获取所述微博站点的微博帖，所述微博帖包括提取的正文和发表时间；

II、根据所述微博帖建立参考微博帖集合；

III、确定检测微博帖集合；

IV、运用二元覆盖法进行切词；

V、确定突发词，建立突发词聚类；

VI、确定热点话题，对所述热点话题排序。

2.如权利要求1所述的方法，其特征在于：所述步骤II包括：设定所述热点话题的时间窗[t₁,t₂]；

根据所述微博帖的发表时间从所述微博帖的集合中提取发表时间在所述时间窗[t₁,t₂]内的微博帖，构建所述热点话题的所述参考微博帖集合。

3.如权利要求1所述的方法，其特征在于：所述步骤III包括：设定所述热点话题的检测时间窗[t_s,t_e]；

根据所述微博帖的发表时间从所述微博帖的集合中提取发表时间在所述时间窗[t_s,t_e]内的微博帖，构建所述热点话题的所述检测微博帖集合。

4.如权利要求1所述的方法，其特征在于：所述步骤IV包括：对所述参考微博帖集合和所述检测微博帖集合中的正文进行二元切词，将所述正文中任意相邻的两个字组成一个词，构成所述参考微博帖集合和所述检测微博帖集合的索引文件。

5.如权利要求1所述的方法，其特征在于：所述步骤V包括：将在所述检测微博帖集合中的出现率大于在所述参考微博帖集中的出现率T_b倍的词确定为突发词；所述T_b的范围为2.5-10；

对检测出的所述突发词进行聚类。

6.如权利要求1所述的方法，其特征在于：所述步骤VI包括：

将所述突发词连接成有向加权图G，所述有向加权图的顶点为所述突发词，两词之间连接一条边，确定两词间的Tversky指数作为边的权重，所述Tversky指数的取值范围为[0，1]；

移除所述有向加权图G中权重小于0.3的边，形成图G_r；

将所述图G_r划分为若干强连通子图，节点数大于等于3的强连通子图中的节点组成一个 突发词的有效聚类，形成话题；

在所述检测微博帖集合中，若所述话题对应的突发词聚类中出现3个或以上的突发词时，则所述微博帖与所述话题相关；

获得每个所述话题的相关微博帖并根据微博帖数对话题进行排序。

7.如权利要求6所述的方法，其特征在于：选取与话题相关度最大的微博帖作为所述话题的语义标签，提高可读性。

8.如权利要求7所述的方法，其特征在于：所述语义标签通过相关度确定，包括以下步骤：

将与话题相关的微博帖根据相关度排序；相关度以微博帖中包含的话题对应的突发词聚类的突发词个数表征；

选取相关度最高的微博帖为所述话题的语义标签。