[发明专利]一种基于LDA算法的社会化网络交互活动用户兴趣挖掘方法

权利要求书

1.基于LDA算法的社会化网络交互活动用户兴趣挖掘的方法，包括以下步骤：

步骤1)数据处理：数据处理包括连续的三个步骤：

11.是用Aspell工具进行单词改错；

12.停止词删除；

13.利用Wordnet进行词干提取；

经过以上连续的三个步骤，得到由交互活动文档组成的数据集，用D＝{d₁,d₂,...,d_N}表示,其中N表示交互活动文档的个数；设定用户集用U＝{u₁,u₂,...,u_K}表示，其中K表示用户的个数，以上两个数据集存在一定的关系，用矩阵表示两者之间的关系，其中元素ud_ij的取值为1或0,取1表示交互文档j中的内容用户i有参与，取0表示交互文档j中的内容用户i未参与；

步骤2)LDA算法：给定交互活动文档集D＝{d₁,d₂,...,d_N}和想要获得的集群的数量M，利用LDA算法将交互活动文档进行集群，输出集群结果集C＝{c₁,c₂,...,c_M}，每个集群中包括一个或多个交互活动文档；

步骤3)相关度测量：将活动领域文档定义为A＝{A₁,A₂,...,A_L}，用Sem(c_m,A_l)表示集群c_m与活动领域A_l的相关度，用Sem(d_n,A_l)表示活动文档d_n与活动领域A_l的相关度；将每个交互活动集群c_m的规范化词频标记为R维的向量TF^m，其中第R个元素表示词w_r在W中的标准频率；在该步骤中计算Sem(c_m,A_l)与Sem(d_n,A_l)，如下：

31.计算Sem(c_m,A_l)

利用标准化的谷歌距离去估算c_m与A_l的相关性，式子如下：

Sem(cm,Al)=Σr=1Rtfrm×google_distance(wr,Al)]]>

其中表示词w_r在集群c_m中的标准频率；google_distance(w_r,A_l)是词w_r和领域名A_l间的标准化谷歌距离；两个搜索词x与y间的标准化谷歌距离定义如下：

其中M是通过google搜索的网页的总数，f(x)和f(y)分别为搜索主题x与主题y的点击量，f(x,y)是x和y同时存在的网页的数量；

计算每个集群c_m和每个活动领域A_l的相关度，并且事先确定阀值，取超过阀值并且相关度最高的活动领域名称作为该集群的活动名称，如果都小于阀值则归为“其他”类，否则进行步骤32中的计算；

32.计算Sem(d_n,A_l)

基于Sem(c_m,A_l)，计算d_n与A_l相关度Sem(d_n,A_l)，其中d_n∈c_m，公式如下：

Sem(d_n,A_l)＝Sem(c_m,A_l)×Sim(d_n,c_m)d_n∈c_m

其中该式表示d_n和c_m之间的相似性，其中TF^m和TFⁿ是c_m和d_n中的标准化词汇频率向量；

步骤4)交互活动领域确定:根据上一步中相关度的计算，先将交互活动领域标签分配给每个集群然后分配到每个集群中的交互活动文档中。