基于主题模型和词向量融合的微博文本主题聚类研究

[目的/意义]针对微博短文本数据存在的高维稀疏和上下文语义缺失等问题,提出一种融合主题模型和词向量的文本特征表达方式,以期提高微博主题聚类的效果。[方法/过程]以新浪微博为数据源,结合LDA文档—主题分布特征和加权Word2Vec词向量特征构建微博短文本的融合特征,基于K-means算法进行主题聚类,并与单一特征聚类、标准LDA主题模型的实验结果进行对比,根据F1值评估主题聚类方法的优劣。[结果/结论]相较于其他方法,融合特征主题聚类模型表现最佳,其F1值达到83.7%。实验表明,融合特征能够更加全面、准确地描述文本的语义信息,能更有效地表征微博文本。

基于微博热点分析的改进聚类算法

微博中热点话题的自动发现对于舆情监测与研判具有重要的价值和意义,已有的研究一直在速度与效率之间缺乏有效的平衡。本文在KMeans聚类算法的基础上,提出了一种改进的KMeans Plus算法来试图发现微博的热点话题。通过随机选取的10 000条微博语料对比实验分析表明,与传统的KMeans算法相比较,KMeans Plus算法能够在很大程度上有效提高计算的速度。

基于kNN的聚类算法研究

聚类分析在数据挖掘领域中占有重要地位,到目前为止学者们提出了许多的聚类算法.本文提出了一种基于k NN的聚类算法k-Nearest Neighbor Cluster(k NNC).该算法首先找到每个数据点的k个邻居点,然后设置匹配点数n,通过使用每个点的邻居点进行匹配进而达到聚类效果.本文通过三个实验去验证该算法,并且与k-means算法进行比较.实验结果表明,该算法具有稳定的正确率,而其最大的优点是不需要预先设定聚类簇数,它可以大致的找到聚类的簇数.

基于k-means算法的微博用户推荐功能研究

将微博中的兴趣关注根据现有的类别进行再次分类。以新浪微博达人为研究对象,提取他们关注的名人以及机构,并将这些名人、机构根据主页描述和标签进行归类。基于共链关系统计同时关注每两个类别之间的用户人数。最后将统计结果制成相关性矩阵,导入SPSS软件中进行k-means聚类,结果为具有相似性的兴趣可以聚为一组。最后根据聚类结果结合现实情况分析各类别之间的相似性与区别。挖掘用户关注兴趣的隐性信息,并对微博用户推荐兴趣提出建议。

基于微博挖掘技术的企业产品信息监测研究

依据微博信息资源对企业产品信息进行监测,可以使企业更好地了解用户的相关信息。监测的基本步骤为:采集相关用户的描述标签与相关博文,对标签和博文分别进行聚类,从而发现兴趣社区与相关热门话题。其后以某一知名微博系统为平台,以某一品牌为例,进行相应的实证研究,结果表明所提方法具有一定的实践价值。