[发明专利]一种基于微博的网络用户增强表示方法

说明书

本发明公开了一种基于微博的网络增强表示方法，本发明属于微博数据挖掘领域，尤其涉及针对微博数据的网络表示学习方法。该方法考虑微博短文本的口语化特征，有针对性地进行文本的预处理，从而降低噪声数据的影响；采用LDA主题模型生成用户历史博文文本的特征表示，并计算任意两用户博文特征间的余弦相似度，从而构建潜在好友关系网络；整合原始网络的结构信息，并将潜在好友关系融合到原始网络中，得到修正后的网络结构。本发明利用从用户生成文本中提取到的潜在好友关系网络，修正原始的网络拓扑结构，从而得到更准确的微博用户节点的特征表示。相比于只考虑网络结构的网络表示学习方法，在性别和年龄推理两个任务上，准确率得到明显的提高。

技术领域

本发明属于微博数据属于微博数据挖掘领域，尤其涉及针对微博数据的网络表示学习方法。

背景技术

Web2.0时代的互联网正逐步演变为无处不在的信息传播平台，Twitter、微博等面向社会性网络服务(Social Networking Services,简称SNS)的社交新媒体迅速得到大众的青睐。最新的统计数据显示，Twitter的月活跃用户达到3.1亿，新浪微博的月活跃用户达到2.97亿。人们借助社交媒体表达观点、分享信息、交流互动，社交媒体依靠社交网络传播和扩散消息，在政治、经济、文化、教育等领域产生深刻影响。于是，在线社交网络数据规模庞大、形式多样、结构复杂、动态变化等特性，以及热点舆情深远的导向作用，使得在线社交网络分析具有重要的研究价值。以新浪微博为例，用户可以发布140字以内的原创博文，可以是图片、超链接、视频、音频等多种形式，也可以浏览、转发、评论所关注好友的博文。微博数据呈现多源异构的特点，用户生成文本、用户属性列表、网络拓扑关系等都是重要的数据源，如何融合多源微博信息计算用户节点的特征表示变得至关重要。

表示学习是机器学习领域一个重要的研究问题，通过自动学习一个从原始输入数据到新的特征表示的变换，得到有效的特征表示。网络表示学习就是学习网络节点在低维空间的特征表示，实现量化特征和降维表示的目的。

目前，在网络表示学习领域已经出现了很多的研究成果。传统的流行学习方法从高维数据中恢复出低维流形结构，找到高维网络数据的低维嵌入表示。比如，Isomap算法基于MDS理论框架，将任意两点的测地线距离作为流形的几何描述，LLE算法(Locally linearEmbedding)认为一个流形在很小的局部邻域上可以近似看成局部线性的，将这个线性拟合的系数作为这个流形局部几何性质的刻画，LE算法(Laplacian Eigenmaps)的基本思想是用一个无向有权图来描述一个流形，然后用图嵌入来寻找低维表示，即保持图的局部邻接关系，把图从高维空间重新画到低维空间。

近些年，深度学习为网络表示学习提供了新的思路，针对大规模网络结构数据和丰富的网络节点信息，基于深度学习的网络表示模型不断出现。

受word2vec模型的启发，Deepwalk模型只考虑网络的拓扑结构，将网络中的节点对应语料库中的词，节点生成的序列对应语料库中的句子，采用随机游走的方法产生标准的输入序列，然后使用Skip-gram模型对序列建模从而得到网络节点的向量表示。但是，Deepwalk算法没有建立目标函数，不能学习带权有向图的节点表示，且节点序列是随机产生的，受噪声影响大。

LINE模型同时考虑网络拓扑结构的一阶和二阶相似性，一阶相似性表示网络中两个节点之间的点对相似性，即为节点之间边的权重，二阶相似性建立在“如果节点间共享相似的邻居节点，则两者趋于相似”的假设，利用两个节点的共同邻居来刻画二阶相似性。基于一阶相似性和二阶相似性的模型建好后，采用基于边的负采样方法来得到网络的节点表示。GraRep模型考虑更高阶的相似性信息，对每一阶的局部信息分别建模，采用SVD矩阵分解方法得到网络节点的向量表示，适用于大规模的网络结构。