[发明专利]基于交互数据的用户特征识别方法

权利要求书

1.一种基于交互数据的用户特征识别方法，其特征在于，包括：

获取用户交互产生的网页文本；

对网页文本进行分词；

基于分词结果建立网页文本的特征表示。

2.根据权利要求1所述的方法，其特征在于，所述基于分词结果建立网页 文本的特征表示，进一步包括：

将文档分割成为不同的部分，在特征词条查找匹配页面时，将目标页面集 划分为相关页面和无关页面，用p(D|R)表示特征词对页面D的相关性概率， p(D|NR)表示特征词对页面D的无关性概率；若p(D|R)>p(D|NR)，则页面D确 定为相关页面，否者确定为无关页面；利用特征词在相关页面中出现的概率与 在无关页面中出现的概率进行相关性值的计算：

w＝Σlog(p_i(1-s_i)/(s_i(1-p_i)))

其中p(D|R)/p(D|NR)＝∏p_i(1-s_i)/(s_i(1-p_i))，p_i为特征词t_i在相关页面中出现 的概率，s_i为特征词t_i在无关页面中出现的概率；

令R表示相关页面的个数，C-R代表无关页面个数；对于特征词t_i，包含 该特征词的页面个数为c_i，相关页面为r_i，包含该特征词的无关页面个数为c_i-r_i；

计算特征词t_i在相关页面中出现的概率p_i＝r_i/R，在无关页面中出现的概率 s_i＝(c_i-r_i)/(C-R)，选择的平滑参数0.5和0.1，平滑后公式如下：

p_i＝(r_i+0.5)/(R+1.0)

s_i＝(c_i-r_i+0.5)/(C-R+1.0)

得到相关性值：

w＝Σlog(((r_i+0.5)/(R-r_i+0.5))/((c_i-r_i+0.5)/(C-R)-(c_i-r_i)+0.5))

将页面分解成为不同的部分，考虑特征词在不同部分内权重的计算：

w_i＝Σlog((TF/k+TF)((r_i+0.5)/(R-r_i+0.5))/((c_i-r_i+0.5)/(C-R)-(c_i-r_i)+0.5))

其中TF包括特征词条在不同部分出现的词频以及在不同部分的权重信息； 其具体的表达式如下：

TF=Σk=1uvkfuBu]]>

Bu=(1-bu)+uluavulu×bu]]>

其中，将一个页面文档分为u个不同的部分，v_k是每个部分的权重，f_u代 表特征词在第u个部分中出现的词频数，ul_u代表第u个部分的实际长度，avul_u是指在页面集合中该部分的平均长度；k和b_u是调节因数，分别用来调节特征 词在页面文档的词频和用来对当前部分进行调节，最终得到相应的特征词条在 文档集中的权重w_i。