[发明专利]一种从微博中挖掘地震主题词的方法和装置

权利要求书

1.一种从微博中挖掘地震主题词的方法，其特征在于，包括：

S1、对含有地震词汇的微博文本集中的每个微博文本提取特征词，基于TF-PDF公式计算每个特征词在该特征词所在微博文本中的权重；

S2、基于微博文本对应的活跃度、传播力以及覆盖度，获得每个微博文本的影响力；以及

S3、基于各微博文本的影响力以及微博文本中各特征词的权重，获得各特征词的流行度，按照各特征词的流行度大小进行降序排列，将排名靠前的特征词作为地震主题词；

其中，所述特征词包括名词、动词、量词、数词以及时间词；

所述步骤S1之前还包括：

采集一定时间范围内含有地震词汇的微博文本，构成微博文本集；以及

将含有特定词汇、特定话题或特定标题的微博文本、具有媒体认证的博主发送的微博文本和单纯转发的微博文本从所述微博文本集中剔除；

其中，所述特定词汇包括：中国地震台网、中国地震局、统计以及新华社快讯中的一种或多种；

特定话题包括：最新消息、地震直播以及地震最新动态中的一种或多种；

特定标题包括：地震快讯和快讯中的一种或多种。

2.如权利要求1所述的方法，其特征在于，所述步骤S1包括：

S1.1、对所述微博文本集中每个微博文本进行分词，并标注每个词汇的词性，基于不同正则表达式，对应提取每个微博文本中的不同词性的词汇组合；

S1.2、从步骤S1.2得到的所有词汇组合中提取名词、动词、量词、数词以及时间词，作为所述特征词；以及

S1.3、利用空间向量模型将微博文本表示为向量，所述特征词对应向量中的特征项，基于TF-PDF公式计算每个特征词在各微博文本中的权重；

其中，所述词性至少包括名词、数词、量词、位置词、震级、时间词、日期词以及动词。

3.如权利要求1所述的方法，其特征在于，所述步骤S2包括：

基于微博文本的博主在该时间范围内，每天平均发微博数和转发评论数之和，获得该微博文本对应的活跃度；

基于微博文本被转发评论和被评论数之和，获得该微博文本对应的传播力；

基于微博文本的博主的活跃粉丝数，获得该微博文本对应的覆盖度；

基于地震发生的时间，分别设置对应所述活跃度、传播力以及覆盖度的3个影响力参数；以及

基于微博文本对应的活跃度、传播力、覆盖度以及3个影响力参数，获得每个微博文本的影响力。

4.如权利要求1所述的方法，其特征在于，所述步骤S3中流行度的计算公式为：

其中，q(j,t)表示特征词j在时间范围t内的流行度，D表示时间范围t的微博文本集，p(d)为微博文本d的影响力，w_d,j代表微博文本d中特征词j所具有的TF-PDF权重。

5.如权利要求2所述的方法，其特征在于，所述基于不同正则表达式，对应提取每个微博文本中的不同词性的词汇组合，包括：

基于第一正则表达式，提取微博文本中的名词、数词或量词的组合；

基于第二正则表达式，提取微博文本中的位置词、震级或时间词的组合；

基于第三正则表达式，提取微博文本中的动词、名词或量词的组合；以及

基于第四正则表达式，提取微博文本中的日期词或时间词的组合。

6.如权利要求2所述的方法，其特征在于，所述TF-PDF公式为：

w_d,i＝tf_i*exp(df_i/D)

其中，w_d,i表示特征词i在微博文本d中的权重，tf_i表示特征词i在微博文本d中出现的频率，df_i则表示微博文本集中包含特征词i的微博文本数，D为微博文本集中微博文本的总数。

7.如权利要求2所述的方法，其特征在于，所述步骤S1.1前还包括：将繁体中文格式的微博文本转换为简体中文格式。