[发明专利]一种基于异质数据的人物相似度刻画方法

权利要求书

1.一种基于异质数据的人物相似度刻画方法，其特征在于，包括如下步骤：

步骤一、从网络中收集关于某领域或者活跃度较高的微博数据流，进行预处理并存储在数据库中；

步骤二、从数据库中选取部分用户的文本信息作为样本，进行分词和筛选，训练Doc2vec模型；

分词是根据中文语言的特点，将选择的每条中文文本切割成一个一个的单词；

筛选是指对分词后的结果，分别去除无意义的停用词，单个词，以及高频词和低频词；

步骤三、利用数据库中剩余用户的文本信息为测试样本，输入训练后的Doc2vec模型，得到测试样本的每个文本信息的向量分布，进而计算文本相似度矩阵M₁；

文本相似度矩阵M₁中的每个元素是两个用户之间的余弦相似度值；

用户i与用户j之间的余弦相似度S_i,j值为：v_i为用户i的文本向量；

步骤四、针对测试样本，抽取各用户的关注关系，计算用户间的杰卡德相似性，构成链接关系矩阵M₂；同时根据用户之间的关注关系，构建关注相似度矩阵M₃；

链接关系矩阵M₂中的每个元素是：采用杰卡德系数计算两个用户间的共同朋友数占总朋友数的比例值；其中，用户i与用户j之间的杰卡德相似性计算公式为：

其中，f_i为用户i的朋友集合；

关注相似度矩阵M₃中的元素根据两个用户原始的互相关注关系定义，若用户i与用户j相互关注，则元素R_i,j值为1，没有相互关注，元素R_i,j值为0；

步骤五、针对测试样本，抽取各用户的基本信息，对不同类型数据采用不同处理方法，并加权得到基本信息的相似度矩阵M₄；

相似度矩阵M₄中的每个元素计算如下：

首先，针对两个用户的基本信息，先分别计算类别型数据的信息相似度，文本型数据的信息相似度，以及连续型数据的信息相似度；然后，对三个相似度进行加权，所有的加权值构成基本信息的相似度矩阵M₄；计算过程如下：

步骤501、针对用户i与用户j的基本信息中，计算类别型数据的信息相似度；

公式如下：

为用户i在类别信息中的取值,其中分母a_c表示类别信息的总数，分子表示用户i的类别与用户j的类别相等的数量；

步骤502、计算用户i与用户j的基本信息中文本型数据的信息相似度；

具体为：首先进行分词和筛选，输入训练后的Doc2vec模型，得到每个文本信息的向量分布，从而计算文本信息相似度

步骤503、计算用户i与用户j的基本信息中两个连续型数据的信息相似度；

首先，分别对用户i与用户j取对数，对连续型数据进行归一化，计算公式如下：

其中，表示用户i在连续属性s中的取值，为s属性下用户数值取对数后的平均值，为s属性下用户数值取对数后的标准差；

然后，采用欧式距离衡量在属性数值上的差距，以刻画用户间属性的相似程度；

计算公式为：

其中，s为当前选择的属性，n为属性的数量；

步骤504、对类别型数据的信息相似度，文本型数据的信息相似度，以及两个用户的属性相似度进行加权；

为用户属性相似度的加权值；为类别型数据的信息相似度的加权值；t∈T；

步骤505、用户i与用户j的加权值为属性信息相似度矩阵M₄的元素；

步骤六、融合文本相似度矩阵M₁，链接关系矩阵M₂，关注相似度矩阵M₃和基本信息的相似度矩阵M₄，刻画矩阵中两个用户之间的相似性；

针对用户i与用户j具体融合公式如下：

M＝ω₁*M₁+ω₂*M₂+ω₃*M₃+ω₄*M₄

ω₁为文本相似度矩阵M₁的加权值；ω₂为链接关系矩阵M₂的加权值；ω₃为关注相似度矩阵M₃的加权值；ω₄为基本信息的相似度矩阵M₄的加权值，每个加权值根据用户需求的分配；

步骤七、利用两个用户之间的相似性进行用户推荐或社区发现。

2.如权利要求1所述的一种基于异质数据的人物相似度刻画方法，其特征在于，步骤一中，所述的预处理是指：提取出每条微博的用户ID和文本信息，将文本信息存储在数据库中，并根据用户ID爬取微博网页，得到用户的基本信息和关注关系，存储在数据库中。