基于分類技術(shù)的Blog用戶興趣挖掘

基于分類技術(shù)的Blog用戶興趣挖掘

摘要:文章通過分析Blog用戶興趣挖掘的重要性，提出了一種基于文本分類技術(shù)的自動(dòng)挖掘Blog用戶興趣的方法，幫助用戶自動(dòng)推薦相似興趣的博客以及為用戶提供個(gè)性化的搜索與瀏覽博客內(nèi)容的服務(wù)。

關(guān)鍵詞:Blog;內(nèi)容挖掘;Blog搜索;中心向量法;kNN算法

1Blog技術(shù)介紹

Blog是WebLog的簡(jiǎn)稱，稱為“網(wǎng)絡(luò)日志”，在大陸音譯為“博客”。它讓任何人都可以像免費(fèi)電子郵件的注冊(cè)、寫作和發(fā)送一樣，完成個(gè)人網(wǎng)頁的創(chuàng)建、發(fā)布和更新，被認(rèn)為是繼E-mail、BBS、ICQ之后出現(xiàn)的第四種網(wǎng)絡(luò)交流方式[1]。

中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心(CNNIC)于2009年1月發(fā)布的《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》中指出:2008年博客用戶規(guī)模持續(xù)快速發(fā)展，截至2008年12月底，在中國(guó)2.98億網(wǎng)民中，擁有博客的網(wǎng)民比例達(dá)到54.3%，用戶規(guī)模為1.62億人。在用戶規(guī)模增長(zhǎng)的同時(shí)，中國(guó)博客的活躍度有所提高，半年內(nèi)更新過博客的比重較2007年底提高了11.7%。博客數(shù)量的增長(zhǎng)帶來了用戶聚集的規(guī)模效應(yīng)。博客頻道在各類型網(wǎng)站中成為標(biāo)準(zhǔn)配置，其中SNS元素的加入對(duì)博客用戶的增長(zhǎng)起到了推動(dòng)作用。博客的影響力進(jìn)一步加強(qiáng)[2]。

由此可見，Blog作為Web2.0的重要應(yīng)用，以其個(gè)性化的信息發(fā)布平臺(tái)、多元化的內(nèi)容載體等特點(diǎn)吸引著越來越多的網(wǎng)絡(luò)用戶，撰寫和瀏覽Blog已經(jīng)成為網(wǎng)絡(luò)文化的流行熱點(diǎn)，推動(dòng)了Blog搜索服務(wù)的發(fā)展。

2Blog用戶興趣挖掘的研究意義

Blog相關(guān)研究可劃分為Blog定義與識(shí)別、內(nèi)容挖掘、社區(qū)發(fā)現(xiàn)、重要性分析、Blog搜索和作弊Blog識(shí)別這6個(gè)主要方面[3]，而Blog搜索是當(dāng)前Blog研究的熱點(diǎn)之一。但是，目前的Blog搜索服務(wù)大都是基于對(duì)用戶輸入關(guān)鍵詞的匹配。這種搜索方式僅僅是傳統(tǒng)Web搜索的延伸，搜索范圍也受到用戶所指定的關(guān)鍵詞的限制，并沒有突出Blog搜索的特殊性，也沒有有效地利用博客內(nèi)容的個(gè)性化、多元化等特征。

而事實(shí)上，博客中個(gè)性化的內(nèi)容為我們提供了豐富的有價(jià)值的可以用來挖掘用戶個(gè)性化特征的數(shù)據(jù)，不僅可以幫助我們理解博客用戶的興趣、意圖，對(duì)其進(jìn)行個(gè)性化的服務(wù)，還可以為具有不同信息需求的用戶提供個(gè)性化的搜索與瀏覽博客空間中的內(nèi)容的服務(wù)。因此，研究Blog用戶的興趣挖掘技術(shù)對(duì)于Blog搜索服務(wù)的發(fā)展是十分重要的。

3構(gòu)建Blog用戶興趣挖掘方法

該方法將興趣挖掘的問題轉(zhuǎn)化為對(duì)博客文章的文本分類問題，即利用文本分類技術(shù)來實(shí)現(xiàn)對(duì)主題信息的抽取，將一個(gè)博客內(nèi)的文章分到事先定義好的興趣類別中，如“體育健身”、“音樂”或“影視”等，然后綜合所有文章的分類結(jié)果確定該博客作者的興趣集合。

3.1定義興趣類別

由于沒有統(tǒng)一的興趣分類方式，所以可通過自定義興趣類別來構(gòu)建興趣類別