[发明专利]一种用于跨UGC网站平台的帐户关联方法

权利要求书

1.一种用于跨UGC网站平台的帐户关联方法，其特征在于，包括下列步骤：

S1：根据用户需求确定需要关联的UGC网站，针对每个UGC网站，利用各网站的本地数据库或者网络爬虫获取所需要关联的用户帐户数据集G_i，其中，G_i的下标“i”用于标识不同的UGC网站平台所对应的用户帐户数据集；所述用户帐户数据集G_i中的每个用户帐户g_ik由该用户生成的文本内容组成，其中，g_ik的下标“i”和“k”用于标识第i个用户帐户数据集G_i中第k个用户帐户；

S2：在获取用户帐户数据集G_i后，需要对其中每个用户帐户g_ik中的文本内容进行预处理，在UGC网站中，用户帐户g_ik的文本内容由一系列短文本帖子组成，以短文本帖子为单位进行预处理，所做预处理具体为：删除文本内容中非英文语言的内容；删除各个UGC网站自动添加而非用户生成的文本内容；删除特殊的、使用频率低的标识符和标点符号，即将用户帐户生成的文本内容中除了‘.’、‘,’、‘’’、‘？’、‘！’、‘；’、‘:’、‘(’、‘)’以外的标识符和标点符号删除；若用户帐户g_ik的某条短文本帖子中所含有的英文字符数量小于预设阈值M，则将该短文本帖子删除；若用户帐户g_ik含有短文本帖子数量小于预设阈值N，则从用户帐户数据集G_i中删除该用户帐户，其中，M值和N值的选取依据UGC网站中用户帐户发布短文本帖子的数量和长度，针对现有的UGC网站，选取M＝10,N＝20；

S3：针对每个用户帐户g_ik，通过对预处理后的文本内容进行特征提取的方式建立用户帐户模型，用户帐户g_ik的模型由其性别特征，年龄特征，地理位置活动特征和写作风格特征四个方面组成，则用户账户模型表示为<性别，年龄，地理位置活动，写作风格>，其中，性别的取值范围为{男，女}，年龄的取值范围为{童年，少年，青年，中年，老年}，地理位置活动为地点名词集合，写作风格由一系列特征向量样本点组成；同时，用户帐户模型之间是相互独立的，即某个用户帐户文本内容的改变对其他用户帐户模型没有影响；各个特征之间是相互独立的，计算相同特征之间的相似度；

S4：基于每个用户帐户的模型，采用逐层过滤的方式实现跨UGC网站平台的帐户关联，针对用户帐户数据集G_i，从中抽取一个用户帐户g_ik，在用户帐户数据集G_j(i≠j)中，依次利用性别特征、年龄特征、地理位置活动特征和写作风格特征，通过计算帐户模型中特征相似度和使用分类器的方式，将与用户帐户g_ik不相关的用户账户过滤掉，从而逐步缩小候选集，经过过滤筛选后的用户帐户集合即为在用户账户数据集G_j中与用户帐户数据集G_i中的用户帐户g_ik相关联的用户帐户集合；

S5:针对用户帐户数据集G_i中的用户帐户g_ik，在用户帐户数据集G_j中采用逐层过滤的方式获得用户帐户集合后，将用户帐户集合中的用户帐户从用户帐户数据集G_j中删除，将用户帐户g_ik从用户帐户数据集G_i中删除，并将其加入用户帐户集合中，则用户帐户集合表示属于同一实体用户的跨UGC网站多账户，判断用户帐户数据集G_i是否为空，如果非空，则表示还有未被关联的用户帐户，进入步骤S4；如果为空，则表示用户帐户关联已经完成，将含有用户账户数量大于2的用户帐户集合输出，如果用户帐户集合中仅含有一个用户账户，则表示没有与该用户帐户相关联的跨UGC网站用户帐户，则不用输出。

2.根据权利要求1所述的方法，其特征在于，所述步骤S3中的地理位置活动特征的提取方法：

本发明中，地理位置活动特征即为从用户账户的文本内容中提取的地点名词集合，采用自然语言处理中的实体识别技术从用户帐户预处理后的文本内容中提取地点名词，然后将该地点名词输入到地址转换接口中进行验证，如果该地址转换接口能返回地址的经纬度，则认为该地点名词有效；针对每个用户帐户提取一个地点名词集合作为该用户帐户的地理位置活动特征。