[发明专利]一种跨平台用户识别方法和系统

权利要求书

1.一种跨平台用户识别方法，其特征在于，包括：

获取第一平台上第一用户账户的第一消息段，获取第二平台上第二用户账户的第二消息段，其中，所述第一消息段为由所述第一用户账户内发布时间在第一预设时间段内的所有消息组成的消息段，所述第二消息段为由所述第二用户账户内发布时间在第一预设时间段内的所有消息组成的消息段；

分别对所述第一消息段及所述第二消息段进行分词处理，得到分词形式的第一消息段及分词形式的第二消息段；

基于预设的分词特征对所述分词形式的第一消息段及分词形式的第二消息段进行特征抽取，并在特征抽取的基础上获取所述第一消息段与所述第二消息段的特征相似度数值；

判断所述特征相似度数值是否在预设的相似度数值参考范围内；

若判断结果为是，则所述第一用户账户及所述第二用户账户属于同一用户。

2.根据权利要去1所述的方法，其特征在于，所述基于预设的分词特征对所述分词形式的第一消息段及分词形式的第二消息段进行特征抽取，并在特征抽取的基础上获取所述第一消息段与所述第二消息段的特征相似度数值，包括：

分别对分词形式的第一消息段及分词形式的第二消息段进行三元词特征抽取，并基于第一消息段及第二消息段中所包含的相同三元词的个数获取两者的词包含相似度数值；

分别对分词形式的第一消息段及分词形式的第二消息段进行高频词特征抽取，并基于第一消息段及第二消息段中所包含的相同高频词的个数获取两者的高频词相似度数值；

分别对分词形式的第一消息段及分词形式的第二消息段进行单字符出现概率抽取，并基于第一消息段及第二消息段中所包含的相同单字符的出现概率来获取两者的词分布相似度数值；

分别对分词形式的第一消息段及分词形式的第二消息段的隐含主题进行抽取，并基于第一消息段及第二消息段中所包含的相同主题的个数获取两者的主题相似度数值。

3.根据权利要去1所述的方法，其特征在于，在对分词形式的第一消息段及分词形式的第二消息段进行特征抽取之前，还包括：分别对所述分词形式的第一消息段及分词形式的第二消息段进行过滤处理，所述过滤处理包括：

对所述分词形式的第一消息段进行去停用词和去低频词处理；

对所述分词形式的第二消息段进行去停用词和去低频词处理。

4.根据权利要去1所述的方法，其特征在于，还包括：

预先利用设定个数的消息段样本对，并基于每个消息段样本对的特征相似度对最大熵分类方法进行跨平台用户识别训练，得到最大熵分类器，以实现采用所述最大熵分类器识别第一平台上第一用户账户与第二平台上第二用户账户是否属于同一用户，其中：

所述消息段样本对中包含的两个消息段分别属于不同平台的两个账户，所述两个账户为相同用户的账户或不同用户的账户，所述消息段样本对中所包含消息的发布时间在第二预设时间段内；

所述特征相似度包括词包含相似度、高频词相似度、词分布相似度和主题相似度。

5.根据权利要求2所述的方法，其特征在于，通过计算第一消息段与第二消息段的相对熵D(p||q)来获取两者的词分布相似度数值；

其中，p、q分别表示第一消息段、第二消息段，p(x)、q(x)表示相同单字符x分别在第一消息段及第二消息段中出现的概率，X表示第一消息段与第二消息段中相同单字符的字符集合。

6.根据权利要求2所述的方法，其特征在于，使用文档主题生成模型LDA对分词形式的第一消息段及分词形式的第二消息段的隐含主题进行抽取。