[发明专利]一种基于社交数据的相似用户挖掘方法

权利要求书

1.一种基于社交数据的相似用户挖掘方法，其特征在于，包括如下步骤：

步骤一：从用户的微博文本中爬取关键数据；

步骤二：从关键数据中提取TOPN关键词；

步骤三：根据通用语料训练通用word2vec模型，再通过两个用户的TopN关键词，计算用户的兴趣向量；

步骤四：对用户兴趣向量两两进行余弦相似度计算，得到两用户间的兴趣相似度；

步骤五：根据兴趣相似度筛选出相似用户，完成相似用户挖掘。

2.根据权利要求1所述的一种基于社交数据的相似用户挖掘方法，其特征在于，所述步骤一中，从用户微博文本中爬取的关键数据包括：

(1)用户发布微博与互动微博的文本数据；

(2)用户关注大V博主的列表数据；

(3)用户关注的大V博主发布的微博文本数据。

3.根据权利要求2所述的一种基于社交数据的相似用户挖掘方法，其特征在于，所述大V博主为微博粉丝数至少为10W,所述关键数据为用户近三个月的数据。

4.根据权利要求1所述的一种基于社交数据的相似用户挖掘方法，其特征在于，所述步骤二中，在从关键数据中提取TOPN关键词之前，要将从用户微博中爬取的文本数据进行NLP处理，NLP处理包括分词处理和去停用词处理。

5.根据权利要求1或4所述的一种基于社交数据的相似用户挖掘方法，其特征在于，所述步骤二中，采用TextRank排序方法计算TOPN关键词，具体的步骤为：假设将所有用户发布的微博集合以及用户关注的大V博主发布的微博文本数据视为一个文档D，其中用户u发布的每条微博为mi，且mi∈D，每个候选关键词k的词频TF_k表示该词在微博文档mi中出现的频率，含有该关键词k的微博mi在整个微博文档D中的逆向文档频率IDF_k为：

IDFk=log(|du|1+|{m:k∈m}|)---(1)]]>

其中：{m：k∈m}表示含有关键词k的微博数量，|du|表示用户发布微博的总数量；利用TextRank排序方法计算词语k的重要性分数公式为：

S(Vk)=(1-d)×TFk×IDFk+d×ΣVj∈E(Vk)wjkΣVi∈E(Vj)wjiS(Vj)---(2)]]>

其中，S(V_k)表示词语k的重要性，TF_k表示词语k在文档中出现的频次，E(V_k)表示词语k共出现过的词语集合，同在一个句子中出现即为共现，w_jk表示词语j和词语k的相似度，w_ji表示表示词语j和词语i的相似度，词语j是词语k的相似词，词语i是与词语j的相似词，相似度等于词语i和词语j的出现次数除以分别出现的次数之和；然后再基于式进行迭代，求出每个词语的重要性分数，按照重要性分数的大小进行排序，保留分数较大的词语作为抽取出的TOPN关键词。

6.据权利要求1所述的一种基于社交数据的相似用户挖掘方法，其特征在于，所述步骤三的具体步骤包括：(1)下载中文语料；(2)对所述中文语料进行分词和去停用词；(3)使用开源工具训练word2vec模型；(4)将步骤二中得到的TOPN关键词分别转换为多个词向量；(5)将所述多个词向量全部累加得到用户的兴趣向量。