百度贴吧用户兴趣分类

……一…～………嚣Ｊ煎　ＩＡ　襄　ＷｏｒｄＳｉｍｉｌｉａｒｉｔｙ软件根据刘群、李素建发表的《基　于＜知网＞的词汇语义相似度计算》【７Ｊ思想编写，此文中　的词语间语义相似度是基于世界知识的方法，被定义　（２）对样本Ｄ中所有样本点ａｉ（ｉ＝１，２，…，ｎ）依次　阵。　计算其到各个簇中心０ｉ的距离Ｄｉ，选择与ａ　距离最　小的０ｉ，将样本ａｌ划分到以该中心为簇的簇中；　（３）重新计算各簇的中心；　（４）计算数据集Ｄ中所有样本的准则函数Ｅ（ｔ），　为一个０到１之间的实数。用若干描叙概念的基本单　位义原来表示某词语的概念，通过计算义原相似度来　来得到词语间语义相似度，实词之间相似度通过四个　直到Ｅ（ｔ）不再变化。　１．２．２距离计算与准则函数　聚类算法在计算数据集各数据对象之间的距离　部分义原表达式的加权和来计算，而虚词与实词间的　　即“亲疏程度”时可以根据实际的需要选择欧氏距离　相似度为零。（Ｅｕｃｌｉｄｅａｎ　ｄｉｓｔａｎｃｅ）、切比雪夫距离（Ｃｈｅｂｙｃｈｅｖ）、Ｂｌｏｃｋ　２－３改进的Ｋ—Ｍｅａｎｓ聚类算法　距离、明考斯基（Ｍｉｎｋｏｗｓｋｉ）距离等。　由于Ｋ—Ｍｅａｎｓ　算法所处理的聚类变量为数值型，因此本文采用欧式　距离进行计算，即数据点ｘ和ｖ之间的欧式距离是两　点的Ｐ个变量值之差的平方和的平方根，数学定义为　ｆ　—　ＥＵＣＬＩＤ（ｘ，ｙ）＝、Ｙ／　ｌ　一　）　Ｋ—Ｍｅａｎｓ聚类算法常使用平方误差作为评价聚　类性能的准则函数。对于聚类数据集Ｄ，若Ｄ中包含　有Ｋ个聚类子集Ｘ１，Ｘ２，…，ＸＫ，各个子类的均值代表　即聚类中心点分别为ｍｌ，ｍ２，…，ｍｋ，平方误差公式为　ｋ　Ｅ＝∑∑（ｉ＝１　ｐｅｘｉ　ｐ－ｍ　）　１．２．３　Ｄａｖｉｅｓ—Ｂｏｕｌｄｉｎ指数　Ｄａｖｉｅｓ—Ｂｏｕｌｄｉｎ指数［６１，简称ＤＢＩ。由大卫Ｌ＿戴维　斯和唐纳德．Ｂｏｕｌｄｉｎ在１９７９年中提出。ＤＢＩ指数通过　计算类内距离之和与类外距离之比，指数值越小，分　类越合理。以此来优化Ｋ值，测试各个分类的结果的　合理性，寻找最佳分类，避免由于只计算目标函数而　导致的局部最优问题。　２．贴吧用户兴趣分类方法　２．１数据集定义　定义目标用户兴趣贴吧数据集为Ｄ１，用户关注　的贴吧Ａ，用户回复帖子所在贴吧且未出现在Ａ集中　的贴吧为Ｂ　公式１：数据集ＤＩ＝ＡＵＢ（Ｂ是用户以往发帖和回　复所在的贴吧中除去Ａ集的贴吧名称）　２．２构建数据集各项之间距离矩阵　定义：贴吧间相似度ｓｉｍ（０＜ｓｉｍ＜１）、贴吧间距离ｄ　公式２：ｄ＝ｌ—ｓｉｍ（０＜ｄ＜１）　由于采集到的用户兴趣贴吧数据集Ｄ１是类似于　标签属性的贴吧名称，因此应用ＷｏｒｄＳｉｍｉｌｉａｒｉｔｙ软件　来计算Ｄ１各项之间的相似度ｓｉｍ（０＜ｓｉｍ＜１），然后应　用公式２计算出ｄ，构建数据集各项之间Ｎ＊Ｎ距离矩　传统Ｋ—Ｍｅａｎｓ聚类算法实现过程中对于ｋ值选　取具有一定随机性。针对Ｋ—Ｍｅａｎｓ聚类算法这一缺　点，同时观察到百度贴吧根据用户在所关注贴吧中的　行为频繁度不同，给用户在某贴吧进行分级的特性。　考虑贴吧用户兴趣分类类别数目与用户兴趣贴吧级　别数有一定联系，根据用户兴趣贴吧级别数来进行Ｋ　值的确定。　计算Ｋ值：　定义：兴趣贴吧数据集表示为（（Ｃ１，Ｒ１），（Ｃ２，　Ｒ２），…，ｆＣｉ，Ｒｉ））（ｉ＝ｌ，２，…，ｎ），其中Ｃｉ为贴吧名称，　Ｒｉ为用户在此帖吧的级别。Ｎｕｍ（ｘ）表示Ｘ集中所含　Ｃｉ个数，Ｒ（ｘ）表示ｘ集中所包含Ｒｉ的级别数，其中　由于数据Ｂ集中没有分级，当Ｂ集不为空集时Ｒ（Ｂ）＝　１；当Ｂ集为空时Ｒ（Ｂ）＝０　公式３：Ｋ＝Ｎｕｍ（Ｄ１）／『Ｒ（Ａ）＋Ｒ（Ｂ）１　举例用户“缘济命理”关注贴吧Ａ集为＜（八字　吧，３），（星座吧，２），（命运吧，２），（射手座吧，２），（白　羊座吧，２），（巨蟹座吧），２））　Ｂ集为（（算命吧，１），（情感吧，１），（感情吧，１））　则Ｄ１＝ＡＵＢ＝＜（八字吧，３），（星座吧，２），（命运　吧，２），（射手座吧，２），（白羊座吧，２），（巨蟹座吧，２），　（算命吧，１），（情感吧，１），（感情吧，１））　用户“缘济命理”分类最少含有的级别个数Ｋ＝　Ｎｕｍ（Ｄ１）／［Ｒ（Ａ）＋Ｒ（Ｂ）］＝９／２＋１＝３　２．４各类兴趣特征化　根据改进的ｋ－Ｍｅａｎｓ聚类的结果，本文拟定选择　离各聚类中心点最近的数据项集中的点作为用户兴　趣特征代表，标签化用户兴趣，对用户兴趣进行分类　提取。　３．实验和分析　３．１实验　（１）数据来源：本文的实验数据来源于百度贴吧　用户首页的页面获取，通过八爪鱼采集器进行采集。　２０１４年第１１期ｌ福建电脑　・４５・　一　一　塞厅　一…　脑　麓　数据集ＤＩ＝ＡＵＢ，数据集Ｂ由于数据量较大，拟定从　用户所有回复帖子中抽样选取５Ｏ条进行统计。　计算Ｋ值为２时，ＤＢＩ指数＝Ｏ．２０４；Ｋ值为３时，　ＤＢＩ指数＝０．２６３。由于Ｄａｖｉｅｓ—Ｂｏｕｌｄｉｎ指数越小表示　（２）实验工具：ＳＤＡＢＡＳ　ＤＭ　Ｍｅａｎｓ聚类方法在用户兴趣识别应用中优于未改进的　Ｋ—Ｍｅａｎｓ算法。　Ｋ值选值越好，聚类结果越准确，可证明改进的Ｋ值　根据聚类结果＜八字，算命，六爻，生辰八字＞为　聚类１，＜李毅＞为聚类２。根据选取离类中心最近的八　（３）实验设计：根据获取的数据，验证改进的Ｋ—　比未改进ｋ值的聚类效果好。　实验选取百度贴吧用户“雷之火舞”为目标用户，　获取用户关注贴吧信息Ａ集以及出Ａ集外用户发帖　所在贴吧Ｂ集求出Ｄ１＝（（八字吧，７），（算命吧，４），　字和李毅分别为用户两大兴趣类特征。　４．结束语　目前对于百度贴吧这一社交网络的研究较少，本　（六爻吧，３），（李毅吧，２），（生辰八字吧，２）），构建数　文主要研究百度贴吧用户的兴趣提取方法，根据改进　据项集相似度矩阵如表３—１所示。　表３—１数据项集相似度矩阵　八字　算命　六爻　李毅　生辰八字　八字　１　０．６６　０．６１　０．０１　０．８２　算命　０．６６　１　０．４４　０．０１　０．７３　六爻　０．６１　０．４４　１　Ｏ．０１　０．５２　李毅　Ｏ．０１　０．０１　０．０１　１　０．０１　生辰八字　０．８２　Ｏ．７３　０．５２　０．０１　ｌ　根据公式２，计算得到数据项集之间距离矩阵如　表３－２所示。　表３—２数据项集距离矩阵　八字　算命　六爻　李毅　生辰八字　八字　０　０．３４　Ｏ－３９　０．９９　０。ｌ８　算命　０．３４　Ｏ　０．５６　０．９９　０．２７　六爻　０Ｉ３９　０．５６　０　０．９９　０．４８　李毅　０．９９　０．９９　０．９９　０　０．９９　生辰八字　Ｏ．１８　Ｏ．２７　０．４８　０．９９　Ｏ　实验一：应用ＳＤＡＢＡＳ　ＤＭ数据挖掘软件，以每　个数据项与其他数据项之间的距离作为聚类变量，根　据本文改进的思想以及公式３得到的Ｋ值，进行进行　Ｋ—Ｍｅａｎｓ聚类。　实验二：根据随机拟定的Ｋ值３，进行Ｋ—Ｍｅａｎｓ　聚类分析并得到聚类结果。　３．２实验结果和分析　实验结果如表３—３所示　表３－３实验结果　贴吧　ｋ＝２距类中心距离　聚类　Ｋ＝３距类中心距离　聚类　八字　０．２４３　１　０．２４１　１　算命　０．３７９　１　０．３０４　１　六爻　０．５４１　１　０．０００　２　李毅　０．０００　２　０．０００　３　生辰八字　０．２７１　１　０．１６６　１　・４６・　福建电脑ｌ　２０１４　ｔｌｚ￣１１期　的Ｋ均值聚类算法，应用ＳＤＡＢＡＳ　ＤＭ软件进行用户　兴趣聚类，通过比较改进前后Ｄａｖｉｅｓ—Ｂｏｕｌｄｉｎ指数的　大小来判断聚类效果，实验证明应用本文的方法可以　有效的分类并提取用户兴趣。　参考文献：　［１］宋巍，张宇．基于微博分类的用户兴趣识别ＩＪ］．智能计算机与　应用，２０１３（８）：８０—８３　［２］杨尊珂，张倩楠．基于ｋ－ｍｅａｎｓ算法的微博用户推荐功能研　究Ⅱ］．情报杂志，２０１３（８）：１４２－１４４　［３］覃艳，王洪．数据挖掘中聚类算法的研究　网络安全技术与　应用，２０１４（１）：６５—６６　［４］王悦，冷泳林．Ｋ均值聚类在高校教师评价分析中的应用研　究Ⅱ】计算机技术与发展，２０１４（５）：２０４—２０６　［５］樊宁．Ｋ均值聚类算法在银行客户细分中的研究Ｕ１．计算机仿　真，２０１１（３）：３６９—３７２　ｌ　６　ＪＧｕａｎｇ　Ｗａｎｇ，Ｚｈｉｈｏｎｇ　Ｗａｎｇ．Ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｏｆ　ｓｕｒｆａｃｅ　ＥＭＧ　ｓｉｇｎａｌｓ　ｕｓｉｎｇ　ｏｐｔｉｍａｌ　ｗａｖｄｅｔ　ｐａｃｋｅｔ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　Ｄａｖｉｅｓ—Ｂｏｕｌｄｉｎ　ｃｒｉｔｅｒｉｏｎ［１］．Ｍｅｄｉｃａｌ　ａｎｄ　Ｂｉｏｌｏｇｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｃｏｍｐｕｔｉｎｇ，２００６（２）：８６５—８７２　ｌ　７　ｊＱｕｎ　Ｌｉｕ，Ｓｕｊｉａｎ　Ｌｉ，Ｗｏｒｄ　Ｓｉｍｉｌａｒｉｔｙ　Ｃｏｍｐｕｔｉｎｇ　Ｂａｓｅｄ　ｏｎ　Ｈｏｗ—ｎｅｔ，Ｃｏｍｐｕｔａｔｉｏｎａｌ　Ｌｉｎｇｕｉｓｉｔｃｓ　ａｎｄ　Ｃｈｉｎｅｓｅ　Ｌａｎｇｕａｇｅ　Ｐｒｏｃｅｓｓｉｎｇ，Ｖｏ１．７，Ｎｏ．２，Ａｕｇｕｓｔ　２００２，ＰＰ．５９—７６　作者简介：　徐则阳（１９８９一），女，湖南岳阳人，硕士研究生，研究方向：　数据分析与挖掘　刘博（１９５９一），男，河北邢台人，硕士研究生导师，明博智　创（北京）软件技术有限责任公司董事长