[发明专利]一种基于异质数据的人物相似度刻画方法

摘要

本发明公开了一种基于异质数据的人物相似度刻画方法，属于数据挖掘领域。本发明首先搜集用户的微博文本，获取用户之间的关注关系以及各用户的基本信息，针对不同类型数据的特点个性化选择处理方式，并对于微博文本采用Doc2vec模型，结合上下文信息将文本表示成向量，再根据定义的相似度函数衡量相似度，最后将不同维度得到的矩阵进行融合，刻画用户最终的相似度。本发明引入了多种社交网络信息，包括社交关系数据、用户属性数据和用户文本数据等，通过对不同类型的信息加以综合考虑，以得到更全面的人物相似度刻画方法；同时本发明提供了对于多种数据的处理和计算方案，利用完整的数据和加权融合方法，个性化计算不同偏好的人物相似度。

主权项

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Si,j值为：vi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：Ii,j=|fi∩fj||fi∪fj|]]>其中，fi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Ri,j值为1，没有相互关注，元素Ri,j值为0；Ri,j=10]]>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；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*M4ω1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。