[发明专利]基于信息增益的英文社交媒体账号分类方法

权利要求书

1.基于信息增益的英文社交媒体账号分类方法，其特征在于，包括以下步骤：

S1、数据预处理：对社交媒体账号发布的博文做分词处理、去除停止词及无用符号处理，得到账号的特征词；

S2、特征选取：利用信息增益的方法对账号的特征词进行选择，得到具有类别代表性的特征词；

S3、特征扩散：利用wordnet寻找特征词的近义词和人工增加领域类别的一些关键词来对S2得到的特征词进行扩散；

S4、分类模型构建：人工标注少量账号样本，并利用词袋模型，选用词频对账号进行特征的提取，构建样本训练集；然后采用机器学习技术进行处理，生成账号分类的分类模型，实现对英文社交媒体账号的识别；

S5、对未知的社交媒体账号进行分类：利用步骤S4生成的分类模型，对未知的社交媒体账号进行分类，得到未知社交媒体账号的类别属性，完成社交媒体账号类别的划分。

2.根据权利要求1所述的基于信息增益的英文社交媒体账号分类方法，其特征在于，所述步骤S1具体实现方法为：

分词处理：将账号的文本语句切分成字词，以字词来作为特征表征一个账号；

去除停止词及无用符号处理：将冠词、介词设置为停止词，将语句的标点符号设置为无用符号；将停止词和无用符号删除。

3.根据权利要求1所述的基于信息增益的英文社交媒体账号分类方法，其特征在于，所述步骤S2具体实现方法为：信息增益是一种基于熵的评估方法，其用于特征选择时，衡量的是某个词的出现与否对判断一个文本是否属于某个类所提供的信息量；其定义为某一特征值在文档中出现前后的信息量之差，计算公式为：

IG(ω)=P(ω)Σi=1|c|P(ci|ω)logP(ci|ω)P(ci)+(ω‾)Σi=1|c|P(ci|ω‾)logP(ci|ω‾)P(ci)]]>

其中P(ω)表示特征词ω在文本中出现的概率；P(c_i|ω)表示文本包含ω时属于c_i类的条件概率；P(c_i)表示c_i类文本在文本集中出现的概率；表示文本中不包含特征词ω的概率，表示文本不包含特征词ω时属于c_i类的条件概率，|c|表示类别总数；

根据信息增益计算公式计算每个特征词的信息增益，并选择信息增益大于设定的阈值的特征词作为具有类别代表性的特征词，进行下一步操作。