[发明专利]一种基于用户综合相似度的微博社区划分方法

权利要求书

1.一种基于用户综合相似度的微博社区划分方法,其特征在于包括以下步骤：

步骤一，获取微博数据，建立博文集合，进行LDA主题模型训练，获得‘类别-主题’矩阵；

步骤二，对所有用户的博文进行基于特征扩展的主题挖掘，得到‘用户-主题’矩阵；

步骤三，对所有用户进行主题相似度计算；

步骤四，为每一个用户节点分配唯一的标签，并对用户节点的潜在影响力进行评估；

步骤五，根据用户节点潜在影响力进行排序，从潜在影响力值大的节点开始计算相连接节点的综合相似度，以用户节点的综合相似度的高低顺序作为节点更新遍历的顺序；

步骤六，进行标签的同步迭代更新，直到节点标签不再改变；

步骤七，将所有具有相同标签的节点归为一个社区。

2.根据权利要求1所述的一种基于用户综合相似度的微博社区划分方法，其特征在于所述步骤一中获取微博数据包括：微博用户信息和微博博文信息，其中微博用户信息包括自身属性、粉丝属性、社交属性，微博博文信息包括基础属性、时间属性、文本属性、影响力属性；

对博文集合进行LDA主题模型训练过程具体如下：

过程1.1，根据概率P(d_i)选择一篇文档d_i，并对选定的文档d_i重复以下步骤,其中，d_i表示第i个文档，P(d_i)表示第i个文档的概率；

过程1.2，从参数为α的Dirichlet先验分布中取样获得文档d_i对应的主题多项分布θ_i，其中，θ_i为主题多项分布θ_i，α为Dirichlet先验分布中每个文档符合的主题分布的参数；

过程1.3，从得到的主题多项分布θ_i中采样获得文档d_i的第j个单词的主题z_i,j；

过程1.4，从参数为β的Dirichlet先验分布中取样获得主题z_i,j对应的单词多项分布其中，z_i,j表示第i个文档中的第j个主题，为单词多项分布，β为Dirichlet先验分布中每个主题中单词符合的分布的参数；

过程1.5，从得到的单词多项分布中采样获得单词w_i,j，其中w_i,j表示第i个文档中第j个单词；

所述‘类别-主题’矩阵即将所有提取到的主题词语进行分类，并对主题词语进行表征，并用TF-IDF计算特征权值，值为该主题词语在类别中出现概率的大小。

3.根据权利要求1所述的一种基于用户综合相似度的微博社区划分方法，其特征在于所述步骤二中对所有用户的博文进行基于特征扩展的主题挖掘，具体为对每一条博文进行以下步骤：

步骤2.1，LDA模型抽取博文d的主题分布，选择其中概率最大的主题词语i，查询‘类别-主题’分布S中主题词语i相对应的类别；如果博文的主题词语i在S中权值大于阈值C，则进行步骤2.2，否则执行步骤2.3；

步骤2.2，提取S中对应类别下权值排在前k的主题词语w1-wk，如果wi在博文d中出现过，则更改主题词语wi在博文d中的权重，如果wi在博文d中没有出现过，则将改词直接加入博文d的特征向量中；

步骤2.3，将该主题词语i相对应的编号及特征值添加到博文d的特征向量中，并选择博文d的特征向量中概率仅次于i的主题词语进行遍历直至结束。