1、 基于分類技術(shù)的Blog用戶興趣挖掘 摘 要:文章通過分析blog用戶興趣挖掘的重要性,提出了一種基于文本分類技術(shù)的自動(dòng)挖掘blog用戶興趣的方法,幫助用戶自動(dòng)推薦相似興趣的博客以及為用戶提供個(gè)性化的搜索與瀏覽博客內(nèi)容的服務(wù)。 關(guān)鍵詞:blog;內(nèi)容挖掘;blog搜索;中心向量法;knn算法 1 blog技術(shù)介紹 blog是web log的簡(jiǎn)稱,稱為“bbs、icq之后出現(xiàn)的第四種網(wǎng)絡(luò)交流方式1。 中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心(cnnic)于2009年1月發(fā)布的中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告中指出:2008年博客用戶規(guī)模持續(xù)快速發(fā)展,截至2008年12月底,在中國(guó)億網(wǎng)民中,擁有博客的網(wǎng)民比例達(dá)到%,用戶

2、規(guī)模為億人。在用戶規(guī)模增長(zhǎng)的同時(shí),中國(guó)博客的活躍度有所提高,半年內(nèi)更新過博客的比重較2007年底提高了%。博客數(shù)量的增長(zhǎng)帶來了用戶聚集的規(guī)模效應(yīng)。博客頻道在各類型網(wǎng)站中成為標(biāo)準(zhǔn)配置,其中sns元素的加入對(duì)博客用戶的增長(zhǎng)起到了推動(dòng)作用。博客的影響力進(jìn)一步加強(qiáng)2。 由此可見,blog作為的重要應(yīng)用,以其個(gè)性化的信息發(fā)布平臺(tái)、多元化的內(nèi)容載體等特點(diǎn)吸引著越來越多的網(wǎng)絡(luò)用戶,撰寫和瀏覽blog已經(jīng)成為網(wǎng)絡(luò)文化的流行熱點(diǎn),推動(dòng)了blog搜索服務(wù)的發(fā)展。 2 blog用戶興趣挖掘的研究意義 blog相關(guān)研究可劃分為blog定義與識(shí)別、內(nèi)容挖掘、社區(qū)發(fā)現(xiàn)、重要性分析、blog搜索和作弊blog識(shí)別這6個(gè)主要

3、方面3,而blog搜索是當(dāng)前blog研究的熱點(diǎn)之一。LOCalHOSt但是,目前的blog搜索服務(wù)大都是基于對(duì)用戶輸入關(guān)鍵詞的匹配。這種搜索方式僅僅是傳統(tǒng)web搜索的延伸,搜索范圍也受到用戶所指定的關(guān)鍵詞的限制,并沒有突出blog搜索的特殊性,也沒有有效地利用博客內(nèi)容的個(gè)性化、多元化等特征。 而事實(shí)上,博客中個(gè)性化的內(nèi)容為我們提供了豐富的有價(jià)值的可以用來挖掘用戶個(gè)性化特征的數(shù)據(jù),不僅可以幫助我們理解博客用戶的興趣、意圖,對(duì)其進(jìn)行個(gè)性化的服務(wù),還可以為具有不同信息需求的用戶提供個(gè)性化的搜索與瀏覽博客空間中的內(nèi)容的服務(wù)。因此,研究blog用戶的興趣挖掘技術(shù)對(duì)于blog搜索服務(wù)的發(fā)展是十分重要的。

4、3 構(gòu)建blog用戶興趣挖掘方法 該方法將興趣挖掘的問題轉(zhuǎn)化為對(duì)博客文章的文本分類問題,即利用文本分類技術(shù)來實(shí)現(xiàn)對(duì)主題信息的抽取,將一個(gè)博客內(nèi)的文章分到事先定義好的興趣類別中,如“體育健身”、“音樂”或“影視”等,然后綜合所有文章的分類結(jié)果確定該博客作者的興趣集合。 定義興趣類別 由于沒有統(tǒng)一的興趣分類方式,所以可通過自定義興趣類別來構(gòu)建興趣類別體系,但要求體系中盡可能包含生活的各種興趣,且要具有層次化的結(jié)構(gòu),見圖1描述了層次結(jié)構(gòu)中一個(gè)第一層的類別節(jié)點(diǎn)和其子類別的形式: 分類博客文章 用分類算法計(jì)算待分類的博客文章與各興趣類別的關(guān)聯(lián)度,關(guān)聯(lián)度較高的類將被判定其歸屬于哪一興趣類別。目前已有多種文

5、本分類算法:中心向量法、k鄰近算法、支持向量機(jī)、簡(jiǎn)單貝葉斯等。 中心向量法是根據(jù)算術(shù)平均為每類文本生成一個(gè)代表該類的中心向量,計(jì)算待分類文本與每類中心向量間的歐式距離,以距離最近的類作為待分類文本的類別。該方法分類速度快,但是,以向量空間距離作為分類標(biāo)準(zhǔn)將形成類球狀類別分布,對(duì)于與多個(gè)類距離相近的文本,該算法的分類準(zhǔn)確度將急劇下降4。 knn算法,即k鄰近算法,被普遍認(rèn)為是分類準(zhǔn)確度很高的算法。knn算法的思想是:給一篇待識(shí)別的文章,系統(tǒng)在訓(xùn)練集中找到最近的k個(gè)近鄰,看這k個(gè)近鄰中多數(shù)屬于哪一類,就把待識(shí)別的文章歸為哪一類。k近鄰分類器在己分類文章中檢索與待識(shí)別的文章最相似的文章,從而獲得被測(cè)

6、文章的類別5。knn算法雖然具有很高的分類準(zhǔn)確度,但是它沒有訓(xùn)練過程,分類階段要對(duì)所有訓(xùn)練樣本進(jìn)行相似度匹配,計(jì)算時(shí)間較長(zhǎng)。 通過分析,筆者認(rèn)為可以采用速度較快的中心向量法和準(zhǔn)確性很高的knn算法相結(jié)合的方式完成博客文章的分類。系統(tǒng)先采用中心向量法進(jìn)行分類,對(duì)于超過預(yù)定義邊界范圍的待分類向量再采用knn算法進(jìn)行補(bǔ)充分類,以保證其分類準(zhǔn)確性。因?yàn)樵诖蠖鄶?shù)情況下,中心向量法即可完成分類,所以該方式顯著減少了分類算法的平均計(jì)算時(shí)間。 構(gòu)建興趣集合 當(dāng)一個(gè)博客的所有文章被分類后,文章所屬的興趣類別被認(rèn)為是博客作者的興趣。然后,對(duì)興趣進(jìn)行整理和排序:根據(jù)每個(gè)興趣出現(xiàn)的次數(shù)對(duì)興趣進(jìn)行排序,以興趣出現(xiàn)次數(shù)的

7、多少反應(yīng)博客作者對(duì)興趣感興趣的程度。不同層次的興趣單獨(dú)計(jì)算。 用戶興趣的收集和挖掘可能會(huì)涉及到用戶的隱私和安全問題,因此,在使用用戶興趣數(shù)據(jù)前要征得用戶的同意,同時(shí)讓用戶積極參與,以獲得更好的用戶個(gè)性化服務(wù)。 4 blog用戶興趣挖掘的應(yīng)用 自動(dòng)推薦相似興趣的博客 對(duì)于給定的博客,利用推薦系統(tǒng)可以挖掘出博客用戶的興趣,然后在索引的數(shù)據(jù)中選擇與這些興趣最匹配的博客。這樣,不僅可以幫助用戶迅速地了解博客的整體內(nèi)容,同時(shí)興趣相似的博客的推薦可以讓用戶找到更多相關(guān)的信息,也有助于社會(huì)化網(wǎng)絡(luò)的構(gòu)建。 提供個(gè)性化的搜索與瀏覽博客空間中的內(nèi)容的服務(wù) 可以使用個(gè)性化搜索引擎索引博客或博客文章,以及博客文章的興趣類別,博客用戶的興趣和博客關(guān)鍵詞,方便用戶在博客空間中快速地定位和瀏覽感興趣的博客或博客文章。 5 結(jié)束語(yǔ) 綜上所述,由于blog提供了更為豐富、極具個(gè)性化的信息資源,使得用戶主動(dòng)尋找和發(fā)掘自己感興趣的blog,而通過基于文本分類技術(shù)的blog用戶興趣挖掘方法,可以滿足用戶的需求,并且可以為用戶提供個(gè)性化的信息服務(wù)。 參考文獻(xiàn): 1崔琳,汪材印.blog的核心技術(shù)和web挖掘j.電腦開發(fā)與應(yīng)用,2008,2:44-45,48 2中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心(cnnic).中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告.2009 3楊宇航,趙鐵軍,于浩,鄭德權(quán).b