[发明专利]基于种子词的微博文本层次主题发现方法及系统

摘要

本发明提出一种基于种子词的微博文本层次主题发现方法，包括以下步骤从互联网上获取数据信息，其中，数据信息包括微博文本；对微博文本进行分析以获取种子词簇，并将种子词簇作为先验知识；对微博文本进行层次主题聚类以生成层次主题模型；以及将先验知识集成至层次主题模型中以对微博文本层次主题进行发现。本发明实施例的方法能够快速的从海量的微博文本中挖掘文本的层次主题及话题分布，并且便于发布话题之间的层次粒度关系。本发明还提供了一种基于种子词的微博文本层次主题发现系统。

主权项

一种基于种子词的微博文本层次主题发现方法，其特征在于，包括以下步骤：从互联网上获取数据信息，其中，所述数据信息包括微博文本；对所述微博文本进行分析以获取种子词簇，并将所述种子词簇作为先验知识；对所述微博文本进行层次主题聚类以生成层次主题模型；以及将所述先验知识集成至所述层次主题模型中以对所述微博文本层次主题进行发现，其中，所述将所述先验知识集成至所述层次主题模型，可通过如下公式实现：p(cd|w,c‑d,z,η,γ)∝(η'δ(wd,cd)+1‑η')p(cd|cd,γ)p(wd|c,w‑d,z,η)，其中，δ(wd,cd)为一个指示器函数，用于表示当前路径上的节点和文档之间的关系，η'为松弛变量，cd表示当前文档所采样的路径，w表示当前文档的单词集合，z表示当前文档选择的主题集合，η和γ为超参数，负号表示排除当前的文档，wd表示第d篇文档的单词集合。