[发明专利]头版新闻预测分类方法

权利要求书

1.一种头版新闻预测分类方法，其特征在于包括如下步骤：利用新闻文本数据构建高聚类性、同配性、近似幂律度分布性的新闻网络拓扑结构，首先通过用户界面输入要查询的关键字，在互联网上搜集网页，使用面向对象的程序设计语言Python编写网络爬虫，加载到新闻报刊文本数据采集模块中，将搜集到的网页新闻文本信息保存到本地数据库；数据清洗模块将从网站获取的原数据进行数据清洗工作；文本分词模块使用结巴分词，对清洗完毕的数据进行分词；文本表征模块利用Doc2Vec表征算法进行向量表征，将每一篇新闻文本各自转化为一个低维、高信息量的文本特征向量；相似性网络构建模块利用局部敏感哈希(LSH)算法计算新闻间的相似度情况，得到一个稀疏的相似矩阵，根据LSH计算所得的相似矩阵视为新闻相关网络的邻接矩阵，构建出新闻相似性网络；头版新闻预测模块将H指数引入PageRank算法，根据相似性网络计算支持H-指数贡献矩阵，判断是否遍历完相似性网络，是则根据支持H-指数贡献矩阵迭代计算向量HR值，利用HR值对新闻进行权重排序，预测top-N条新闻作为头版新闻；

其中，头版新闻预测模块将H指数引入PageRank算法，根据相似性网络计算支持H-指数贡献矩阵，判断是否遍历完相似性网络，是则根据支持H-指数贡献矩阵迭代计算向量HR值，利用HR值对新闻进行权重排序，预测top-N条新闻作为头版新闻步骤，具体包括：

头版新闻预测模块对新闻进行权重排序，将预测top-N条新闻作为头版新闻，根据相似性网络计算支持H-指数贡献矩阵第i行j列的值v_j∈N(v_i)

其中，A_ij为网络邻接矩阵第i行j列的值，v_i为目标节点，v_j为v_i所属领域中的节点,D(v_j)为邻域中节点v_j的度,H(v_i)为目标节点v_i的H指数；

头版新闻预测模块遍历计算完相似性网络，根据邻接函数l(v_i,v_j)代表在G_SHCM网络中节点v_J在v_i领域N_SHCM(v_i)中的节点总数中的比重和支持H-指数贡献矩阵迭代计算向量HR值：

其中，d为阻尼系数，N_SHCM(v_i)为网络G_SHCM中节点v_i的领域，D_SHCM(v_j)为网络G_SHCM中节点v_j的度，Sort_i表示基于某种排序算法所得的排序序列中第i个元素，N为Top-N预测的预测长度；

网络G_SHCM中节点的数量N_SHCM＝|V_SHCM|，如果网络G_SHCM中节点v_i和网络G_SHCM中节点v_Jv_j不相邻，则邻接函数l(v_i,v_j)＝0，将HR值计算结果进行Top-N预测，得到低维文本特征向量表征R_i＝Sort_i,if iN。

2.如权利要求1所述的头版新闻预测分类方法，其特征在于：新闻报刊文本数据采集模块使用Python编写网络爬虫将网页新闻文本信息储存为“时间-标题-文本-版面号”的格式，并保存到本地。

3.如权利要求1所述的头版新闻预测分类方法，其特征在于：数据清洗模块将从网站获取的原数据中存在的“图片新闻”进行数据清洗，将原数据中的部分垃圾信息删除，随后对数据格式进行规则化，删除文本中的标点、空格，同时将时间转化为标准8位的形式YYYYMMDD。