[發(fā)明專利]基于不確定性處理的網(wǎng)絡(luò)論壇用戶興趣建模方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 200910199384.3
• 申請(qǐng)日: 2009-11-26
• 公開(kāi)（公告）號(hào): CN101719137A
• 公開(kāi)（公告）日: 2010-06-02
• 發(fā)明（設(shè)計(jì)）人: 曾劍平;吳承榮
• 申請(qǐng)（專利權(quán)）人: 復(fù)旦大學(xué)
• 主分類號(hào): G06F17/30
• 分類號(hào): G06F17/30;G06Q30/00
• 代理公司: 上海正旦專利代理有限公司 31200
• 代理人: 陸飛;盛志范

技術(shù)領(lǐng)域

本發(fā)明屬于網(wǎng)絡(luò)用戶行為分析技術(shù)領(lǐng)域，具體涉及一種面向網(wǎng)絡(luò)論壇用戶興趣的建模方法。

背景技術(shù)

隨著Web2.0在互聯(lián)網(wǎng)上應(yīng)用的迅速推廣，出現(xiàn)了許多交互性很強(qiáng)的論壇網(wǎng)站。這些網(wǎng)站里聚集了大量的互聯(lián)網(wǎng)用戶，他們?cè)谶@里發(fā)表帖子、回復(fù)帖子，對(duì)不同話題的帖子表現(xiàn)出不同的興趣。而對(duì)于許多商業(yè)應(yīng)用來(lái)說(shuō)，準(zhǔn)確發(fā)現(xiàn)用戶的興趣、發(fā)現(xiàn)更多的興趣群體是業(yè)務(wù)成功開(kāi)展的首要條件。因此，充分利用這些論壇網(wǎng)站中的用戶在發(fā)帖或回帖的行為，挖掘用戶的興趣，是商業(yè)應(yīng)用獲取用戶群體的一種有效途徑。

當(dāng)前，人們對(duì)于網(wǎng)絡(luò)用戶興趣的研究主要集中在用戶的搜索行為上，通過(guò)用戶輸入的關(guān)鍵詞推測(cè)用戶的興趣，模型主要采用基于話題詞空間的概率密度函數(shù)，使用用戶輸入的文本作為訓(xùn)練集。也有的模型是基于用戶在瀏覽WEB頁(yè)面時(shí)所點(diǎn)擊的頁(yè)面的相關(guān)信息。雖然人們提出了許多方法和數(shù)學(xué)模型來(lái)表達(dá)用戶的興趣，提高用戶興趣計(jì)算的準(zhǔn)確性，但是在針對(duì)網(wǎng)絡(luò)論壇這種用戶大量聚集、以發(fā)帖或回帖為主要行為的網(wǎng)絡(luò)應(yīng)用來(lái)說(shuō)，運(yùn)用這些模型來(lái)建立網(wǎng)絡(luò)論壇用戶興趣時(shí)存在以下問(wèn)題：

1.用戶興趣單純以概率方式描述，只能說(shuō)明用戶對(duì)某個(gè)話題興趣的隨機(jī)性，而不能說(shuō)明這種興趣的模糊性，而模糊性是人們分析理解用戶興趣的一個(gè)重要方面。

2.網(wǎng)絡(luò)論壇用戶發(fā)帖或回帖在次數(shù)、長(zhǎng)度等特征上都有很大區(qū)別，這在一定程度上反映了用戶興趣的差異，而現(xiàn)有模型只對(duì)用戶的相關(guān)文本或點(diǎn)擊行為進(jìn)行表達(dá)，必然丟失這些反映用戶興趣的重要特征。

由此可見(jiàn)，提高用戶興趣的隨機(jī)性和模糊性描述能力對(duì)于更合理地描述用戶興趣是非常重要的，充分利用論壇上的用戶行為特征對(duì)于準(zhǔn)確表達(dá)用戶興趣是很關(guān)鍵的，而現(xiàn)有方法在這兩方面尚無(wú)法滿足用戶興趣建模分析的要求。

發(fā)明內(nèi)容

本發(fā)明的目的主要是針對(duì)現(xiàn)有用戶興趣模型在表達(dá)網(wǎng)絡(luò)論壇用戶興趣方面的不足，提出一種基于不確定性處理的網(wǎng)絡(luò)論壇用戶興趣建模方法。

本發(fā)明在建模過(guò)程中引入隸屬函數(shù)來(lái)表達(dá)用戶的興趣，采用類似的高斯型隸屬函數(shù)，基于用戶在論壇中的行為特征計(jì)算函數(shù)的參數(shù)；采用文本處理方法提取用戶興趣文本，并按照不同權(quán)重配置計(jì)算用戶的興趣文本向量；將用戶興趣模型建立在由文本向量與隸屬函數(shù)論域所構(gòu)成的高維空間中，采用概率密度函數(shù)描述用戶在不同話題空間的興趣分布。

本發(fā)明的方法的具體步驟如下：

1.使用Web爬蟲(chóng)技術(shù)[1]從網(wǎng)絡(luò)論壇獲取用戶發(fā)帖的原始數(shù)據(jù)文件，并運(yùn)用WEB信息提取技術(shù)[2]將這些文件中的用戶發(fā)帖信息轉(zhuǎn)換成為結(jié)構(gòu)化的用戶帖子記錄集；每個(gè)記錄包含的內(nèi)容為發(fā)帖時(shí)間、帖子標(biāo)題、發(fā)帖人、帖子內(nèi)容、回帖標(biāo)志；

2.從用戶帖子記錄集中選擇指定用戶的所有帖子，如果是屬于回帖類型，則同時(shí)找出原始帖子；對(duì)其中的每個(gè)原始帖子及相應(yīng)的用戶回帖，構(gòu)成臨時(shí)帖子集；提取原始帖子、標(biāo)題的內(nèi)容，并運(yùn)用現(xiàn)有的分詞及詞性標(biāo)注方法對(duì)文本進(jìn)行處理，保留其中的名詞，這些名詞包括人名、地名、機(jī)構(gòu)名；得到原始帖子對(duì)應(yīng)的詞語(yǔ)向量和標(biāo)題對(duì)應(yīng)的詞語(yǔ)向量；

對(duì)帖子集執(zhí)行以下步驟3-5，處理用戶興趣的初步標(biāo)注：

3.計(jì)算該用戶在這個(gè)帖子集中出現(xiàn)的次數(shù)，計(jì)算用戶在帖子集中的回帖的平均長(zhǎng)度；

4.根據(jù)用戶發(fā)帖標(biāo)志、回帖次數(shù)及回帖長(zhǎng)度，為用戶設(shè)定一個(gè)興趣的隸屬函數(shù)及參數(shù)，該隸屬函數(shù)的論域是用戶的興趣等級(jí)；

5.提取用戶回帖的內(nèi)容，運(yùn)用現(xiàn)有的分詞及詞性標(biāo)注方法對(duì)文本進(jìn)行處理，保留其中的名詞，這些名詞包括含人名、地名、機(jī)構(gòu)名，得到用戶回帖對(duì)應(yīng)的詞語(yǔ)向量；結(jié)合第二步中的分詞結(jié)果，按照不同權(quán)重構(gòu)造用戶的興趣文本向量；

6.當(dāng)整個(gè)帖子記錄集處理完畢后，得到指定用戶對(duì)應(yīng)的所有興趣文本向量及用戶興趣隸屬函數(shù)，它對(duì)應(yīng)于由文本向量和興趣論域構(gòu)成的多維空間中的點(diǎn)，對(duì)這些點(diǎn)使用EM算法建立論壇用戶興趣模型，它是一種混合高斯概率模型。

其流程見(jiàn)圖1所示。

本發(fā)明具有實(shí)質(zhì)性特點(diǎn)和顯著進(jìn)步：(1)提出了一種基于隸屬函數(shù)的用戶興趣表示方法，隸屬函數(shù)的論域是用戶興趣等級(jí)，可以采用普通的隸屬函數(shù)形式，如類似高斯型隸屬函數(shù)。這種方法使得用戶興趣的表示更加接近用戶要求，更加合理。(2)利用網(wǎng)絡(luò)論壇中的用戶發(fā)帖或回帖的行為特征，計(jì)算用戶興趣的隸屬函數(shù)參數(shù)，使得興趣的計(jì)算更加準(zhǔn)確。(3)將用戶興趣模型建立在興趣文本向量和用戶興趣等級(jí)所構(gòu)成的空間中，并基于混合概率表示方法，建立用戶興趣模型。使得模型既能反映用戶興趣的模糊性，又能體現(xiàn)用戶興趣的隨機(jī)性。而不象現(xiàn)有方法僅僅表達(dá)隨機(jī)性的一方面。