[发明专利]一种考虑用户在线关系网络的舆情主题发现方法

权利要求书

1.一种考虑用户在线关系网络的舆情主题发现方法，其特征是按如下步骤进行：

步骤1、构建用户在线关系网络G：

步骤1.1、获取U个用户分别发表的N_u篇文档中的文本信息并构成文本集合D，去除所述文本集合D中所有标点符号并进行分词操作后，再去除停用词和低频词，从而得到预处理后的包含U×N_u篇文档的文本集合D′；其中，预处理后的第u个用户发表的N_u篇文档记为表示第u个用户发表的第n_u篇文档，将第n_u篇文档中的词集合记为其中，表示第u个用户发表的第n_u篇文档中第m个单词，表示第u个用户发表的第n_u篇文档中的词个数；

步骤1.2、根据用户-帖子二部图，采用随机游走方法获取用户在线关系网络G；

步骤1.3、获取所述用户在线关系网络G中与第u个用户最近邻的N个邻居用户；

步骤2、指定预处理后的文本集合D′中的主题个数为K；

步骤3、设计有参贝叶斯模型，并通过分析用户在所述用户在线关系网络G中的文本信息与用户链接信息，生成文本对应主题；

步骤3.1、按照式(2)分别生成所述用户在线关系网络G中的背景主题词分布φ^B：

式(2)中，～表示服从，π表示单词从主题词分布中生成概率的期望；且π服从超参数为γ的Beta分布；1-π表示单词从背景主题词分布φ^B中生成概率的期望；β是狄利克雷分布的超参数，且服从狄利克雷Dirichlet分布，并有：

式(3)中，表示第v个单词在相应背景主题下所有词所占权重，V是预处理后的文本集合D′中所有不重复词的总数；

步骤3.2、对于所述用户在线关系网络G中的K个主题，按照式(4)分别生成第k个主题的词分布从而得到用户在线关系网络G中所有主题下的词分布记为

式(4)中，服从狄利克雷Dirichlet分布，并有：

式(5)中，φ^k_v表示第v个单词在第k个主题下所有词所占比重；

步骤3.3、对于所述用户在线关系网络G中的每个用户：

步骤3.3.1、按照式(6)生成第u个用户的主题分布

式(6)中，α为先验分布超参数；服从狄利克雷Dirichlet分布，并有：

式(7)中，表示第u个用户发表的第n_u篇文档的主题分布情况；

步骤3.3.2、对用户发表的每篇文档：

按照式(8)生成第u个用户发表的第n_u篇文档的主题

式(8)中，服从参数为的多项式Multi分布；

按照式(9)生成单词的主题-背景主题指示变量

式(9)中，是二元指示变量，且服从伯努利Bernoulli分布，并用于选择第u个用户发表的第n_u篇短文本中的第m个单词是从背景主题词分布中生成还是从主题词分布中生成；当时，表示第u个用户发表的第n_u篇文档中第m个单词从主题词分布中产生，当时，表示第u个用户发表的第n_u篇文档中第m个单词从背景主题词分布中产生；

按照式(10)生成短文本中每个词：

式(10)中，表示第u个用户发表的第n_u篇文档对应主题的词分布，第u个用户发表的第n_u篇文档中第m个单词服从参数为或的多项式Multi分布；

步骤3.4、根据式(11)创建存在链接的第u个用户和第u′个用户之间链接指示变量y_u,u′，且y_u,u'∈{1，-1}：

式(11)中，sign(·)为符号函数，为哈达玛积；η表示K维参数的分类器；并有：

式(12)中，η_k表示第k个主题下的分类器；

式(11)中，为K维向量，并有：

式(13)中，表示第u个用户发布的文档中第k个主题的所占比例，并有：

式(14)中，表示第u个用户发表的第k个主题的文档数；

步骤4、基于所述用户在线关系网络G及文本集合D′，初始化所有参数，包括：引入的辅助变量λ_u,u'＝1，利用均匀分布为每个用户的每条文档指定主题，对每条回帖的每个词指定是否从背景舆情主题中生成，并对用户主题分布、各主题下词分布、链接分布进行参数推断：

步骤4.1、根据式(15)采样K维参数的分类器η：

式(15)中，∝表示正比于，N(·)为多元高斯分布，μ为多元高斯分布的均值向量；并有：

式(16)中，c为正则化参数；

式(15)中，∑为多元高斯分布的协方差矩阵；并有：

式(17)中，σ表示标准差；

式(15)中，链接指示变量y_u,u'与辅助变量λ_u,u'的联合概率分布为：

式(18)中，ζ_u,u'为损失函数，并有：

步骤4.2、根据式(20)采样第u个用户发表的第n_u篇文档中的主题

式(20)中，表示除第u个用户发表的第n_u篇文档对应的主题外的主题；表示除第u个用户发表的第n_u篇文档对应的单词外的单词；表示除第n_u篇文档以外，第u个用户发表的第k个主题的所有文档数量；表示除第n_u篇文档以外，第u个用户发表的第k个主题的所有单词数量；表示属于第k个主题的所有单词数量；表示第u个用户发表的发表的所有文档数；exp(·)为指数函数；Γ(·)为伽马函数；

步骤4.3、根据式(21)采样主题-主题指示变量

式(21)中，表示去除第u个用户发表的第n_u篇文档中第m个词外，属于背景主题B的单词数；表示去除第u个用户发表的第n_u篇文档中第m个词外，第n_u篇文档中属于第u个用户发表的第n_u篇文档的主题的单词数；表示去除第u个用户发表的第n_u篇文档中第m个词外，预处理后的文本集合D′中属于第u个用户发表的第n_u篇文档的主题的单词数；表示去除第u个用户发表的第n_u篇文档中第m个词外，预处理后的文本集合D′中属于K个主题的单词数；表示去除第u个用户发表的第n_u篇文档中第m个词外，第n_u篇文档中属于背景主题B的单词数；表示去除第u个用户发表的第n_u篇文档中第m个词外，预处理后的文本集合D′中属于背景主题B单词数；

步骤4.4、根据式(22)采样辅助变量

式(22)中，GIG(·)为广义逆高斯分布；z表示文档对应的主题；

步骤4.5、重复执行步骤4.1-步骤4.4I₀次，直至所有参数均收敛；

步骤5、根据步骤4迭代得到的收敛结果，利用式(23)和式(24)得到第k个主题的词分布和第u个用户对第k个主题的关注度

式(23)和式(24)中，表示I₀次迭代后的属于第k个主题的所有单词数量；表示I₀次迭代后的第u个用户发表的第k个主题的评论数。