[发明专利]基于事件检测的微博网络情感社区识别方法

说明书

本发明是基于事件检测的微博网络情感社区识别方法。本发明基于Python爬虫爬取微博网络用语的数据，提取微博网络中的社会热点事件，构造事件热点评估函数；度量微博用户对社会热点事件的情感极性，生成微博用户对多个社会热点事件的情感极性标签；初始化微博用户的情感极性标签，构造社区标签更新迭代规则，直至标签收敛时终止循环，将具有相同标签的节点划分到同一社区。本发明解决目前社区识别算法无法刻画用户的情感倾向性，导致输出的社区结果内聚性较低、稳定性不足，在网络演化过程中容易引发社区分裂的问题。本发明保证了输出的社区结果具有较高的内聚性及稳定性，对网络演化产生的网络结构及属性改变具有较高的适应性。

技术领域

本发明涉及微博事件检测技术领域，是一种基于事件检测的微博网络情感社区识别方法。

背景技术

社交网络是指由节点和链接组成的复杂结构，其中，节点表示个人或组织，链接表示节点和节点之间的关系，例如：朋友关系，亲戚关系，同事关系以及科研领域的合作关系等。从不同的结构粒度来看，社交网络分析方法大致可分为三类：宏观层面，研究社交网络的相关指标及模型；微观层面，研究社交网络的个体影响力及传播动力学原理；中观层面，研究社交个体的群聚特征，其中最具代表性的就是社区结构。所谓社区，是指网络中的密集群体，同一社区内的节点间的链接相对紧密，不同社区之间的节点的链接相对稀疏。通常，社区内的节点具有相似的兴趣爱好或其他属性，在网络中起同步效应。社区发现可以识别网络中的功能模块，有助于人们更加深入的理解网络的本质。

社区识别研究根据所用方法的不同，大致可分为五类：(1)层次聚类分析方法。这类方法通过计算网络中节点之间的相似度，合并相似度高的节点为同一社区。聚类过程以树的形式展示，通过模块度函数衡量划分结果，从而获得最优的社区；(2)矩阵谱分析方法。通过对网络的邻接矩阵施以谱分析等矩阵计算方法来发现社区；(3)基于链接的分析方法，以网络中的链接为基本单位进行社区识别；(4)基于图论的方法。运用极大团、极大连通子图等识别社区；(5)语义社区识别方法。通过对社交网络用户发表文本信息加以分析，将具有主题相似性的用户聚合成同一社区。

现有方法存在的问题在于：只考虑了社交网络的结构特性及文本相似性，忽略了网络用户的情感倾向性。社交网络发展至今，微博等社交媒体早已融入人们的日常生活和工作当中，在微博网络上，人们喜欢对微博上获取的消息加以评论，发表自己的观点与见解，并对社会事件表达情感倾向。因此，合理的社区结构应该对某类社会事件具有相近的社会认知。而现有方法以链接关系、链接程度以及主题相似性等指标作为社区的生成标准会增加社区的分裂风险，社区稳定性略显不足。

发明内容

本发明为解决目前社区识别算法无法刻画用户的情感倾向性，导致输出的社区结果内聚性较低、稳定性不足，在网络演化过程中容易引发社区分裂这一问题，本发明提供了一种基于事件检测的微博网络情感社区识别方法，本发明提供了以下技术方案：

一种基于事件检测的微博网络情感社区识别方法，包括如下步骤：

步骤一：基于Python爬虫爬取微博网络用语的数据，对微博网络数据进行初始化；

步骤二：提取微博网络中的社会热点事件，构造事件热点评估函数；

步骤三：度量微博用户对社会热点事件的情感极性，生成微博用户对多个社会热点事件的情感极性标签；

步骤四：初始化微博用户的情感极性标签，构造社区标签更新迭代规则，直至标签收敛时终止循环，将具有相同标签的节点划分到同一社区。

优选地，所述步骤一具体为：

第一步：采用Python爬虫向上广度优先搜索策略，爬取微博社交网络用户的用语数据，通过下式表示所述微博网络用语数据：

D_i＝{L_i,F_i,R_i,C_i,T_i} (1)