[发明专利]一种基于主题建模的社会群体间影响力量化方法

摘要

本发明公开了一种基于主题建模的社会群体间影响力量化方法，步骤1，对每个社交群体的文本语义提取模型；步骤2，获取每条原始数据C1、...、CN的主题分布概率，选择概率值最大的主题标号作为该原始数据所属主题的编号进行标注，对标注后的原始数据数据进行结构化处理，生成社会群体对应N个数据集；步骤3，计算社会群体Group i的主题topic‑k在t+1时段所受到的其他社会群体的影响。与现有技术相比，本发明1)创新性地将统计与语义分析相结合；2)使用户对群体间意见的相互影响的判断更符合实际。

主权项

1.一种基于主题建模的社会群体间影响力量化方法，其特征在于，该方法包括如下步骤：步骤1，对每个社交群体的文本语义提取模型，该模型由预处理后的将社会群体Group1、...、Group N所对应的原始数据C1、...、CN按发布时间排序的文本的值corpus和每个时段的文本数目序列值slice_time组成，经过N次DTM主题提取，得到每个社会群体的主题模型M₁、...、M_N；步骤2，获取每条原始数据C₁、...、C_N的主题分布概率，选择概率值最大的主题标号作为该原始数据所属主题的编号进行标注，对标注后的原始数据数据进行结构化处理，生成N个社会群体对应N个数据集corpus₁、...、corpus_N；步骤3，计算社会群体Group i的主题topic‑k在t+1时段所受到的其他社会群体的影响，如公式(1)所示：公式中的每个分项如f_t^j→i，即为Groupj对在t+1时刻的Groupi的主题topic‑k产生的影响力，使用步骤1得到的所求社会群体的主题模型和步骤2得到的结构化数据，来判断社会群体Groupj的推特在t时段里与Groupi的主题topic‑k相符的推特，并在后一个时段的所求社会群体的该主题的数据里计数转发这些推特的数量，最终使用该数量值与后一个时段的所求社会群体的符合该主题的所有推特数量之比作为影响力量化值；f_t^j→i的量化公式如公式(2)所示：其中，s'表示t时段里Groupj的推特总数，s表示t+1时段里Group i的主题topic‑k的推特总数，用corpus_j^m表示t时段里Groupj的某一条推特m的文本内容，用模型M_i分析该文本的主题分布概率来判断该文本是否与topic‑k有关，如果m的语义符合topic‑k，那么M_i(corpus_j^m)的值为1，反之为0；如果符合，随后计算在t+1时段里的Group i的主题topic‑k的推特中转发m的数量，使用R_t+1ⁱ(m,k)表示。