- 1、本文档共6页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于UR-LDA的微博主题挖掘.pdf
第27卷摇 第6期 计 算机 技 术 与发 展 Vol.27摇 No.6
2017年6月 摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 COMPUTERTECHNOLOGY AND DEVELOPMENT摇 摇 摇 摇 摇 摇 摇 摇 摇 摇 June摇 2017
基于UR-LDA 的微博主题挖掘
1 1 2
陈摇 阳 ,邵摇 曦 ,赵海博
(1.南京邮电大学通信与信息工程学院,江苏 南京 210003;
2.软通动力信息技术有限公司,浙江杭州 310000)
摘摇 要:以微博为代表的社交网络已经成为用户发布和获取实时信息的重要手段,然而这些实时信息中很大一部分都是
垃圾或者是冗余的信息。 通过有效的手段,精准地发现、组织和利用社交网络海量短文本背后隐藏的有价值的信息,对微
博中隐含主题的挖掘,具有较高的舆情监控和商业推广价值。 尽管概率生成主题模型LDA(Latent Dirichlet Allocation)在
主题挖掘方面已经得到了广泛的应用,但由于微博短文本消息语义稀疏以及文本之间相互关联等特点,传统的LDA模型
并不能很好地对它进行建模。 为此,基于LDA模型,综合考虑微博的文本关联关系和联系人关联关系,提出了适用于处理
微博用户关系数据的UR-LDA模型,并采用吉布斯抽样对模型进行推导。 真实数据集上的实验结果表明,UR-LDA模型
能有效地对微博进行主题挖掘。
关键词:微博;主题挖掘;UR-LDA;吉布斯抽样
中图分类号:TP31摇 摇 摇 摇 摇 摇 摇 文献标识码:A摇 摇 摇 摇 摇 摇 文章编号:1673-629X(2017)06-0173-05
doi:10.3969/j.issn.1673-629X.2017.06.036
Microblog Topic Mining Based on UR-LDA
1 1 2
CHEN Yang ,SHAO Xi ,ZHAO Hai-bo
(1.College of Communication Information Engineering,Nanjing University of Postsand
Telecommunications,Nanjing210003,China;
2.Isoftstone Information Technology (Group) Co. ,Ltd. ,Hangzhou 310000,China)
Abstract:Social network in particular microbloghasbecomea significant way for userstopropagateandretrieveinformation.However,
a largeproportion of thereal time information isjunk or redundant.So the discovery of latent topicsin social networksthrough finding,
organizing and using valuableinformationbehindthemasspassagewitheffectivewayscarrieshighvalueinpublicoptionmonitoringand
commercial promotion.Although probabilistic generative topic model (
文档评论(0)