[发明专利]一种基于话题影响力的微博话题溯源方法

摘要

本发明属于话题溯源范畴语义社会网络中的数据挖掘领域，具体涉及一种基于话题影响力的微博话题溯源方法。本发明包括根据信息检索领域的隐形语义查询扩展方法，对输入的话题词组tp进行语义扩展，得到与给定话题相关的前k个话题；确定微博网络中的用户关系及信息传播规律，确定话题影响力TIN；根据影响力计算公式，以1h为一个时间步计算话题的影响力，得到话题在传播过程中随着时间变化的影响力趋势，其影响力强度从话题初期的缓慢增长到急剧上升最后达到平稳状态，即话题成长为热点；推导话题溯源递推公式，并确定其溯源递推终止条件，输出引发话题的源头。本发明使话题溯源递推的终止条件更加准确，溯源更加准确有效。

主权项

一种基于话题影响力的微博话题溯源方法，其特征在于：(1)根据信息检索领域的隐形语义查询扩展方法，对输入的话题词组tp进行语义扩展，得到与给定话题相关的前k个话题：(1.1)对数据集中的所有微博进行去停用词、词干化预处理，构建基于向量空间模型的文本数据库；(1.2)对用户提交的查询话题进行去停用词、词干化预处理，形成查询的向量形式TP；(1.3)根据隐形语义索引LSI方法获得与给定话题语义相关的前k个话题；(2)确定微博网络中的用户关系及信息传播规律，确定话题影响力TIN：(2.1)在微博中搜索话题tpk包含的所有微博wbj,j＝1……n；(2.2)计算每条微博wbj的影响力wbinj；wbinj＝log fwj×log cmj×cpj，其中，fwj代表微博的被转发数，cmj代表微博的回复数，cpj代表微博的有效回复率即回复的微博中有效回复数占回复数之比；(2.3)通过标签字段判断话题tpk所属的类别，确定话题类别在话题影响力计算公式中的权重tc；tc0代表话题类别的初始权重，wb代表某一时间段内要溯源的话题tpk的微博数量,wba表示这一时间段内网络中的所有微博数；(2.4)计算话题tpk的内容影响力CIN；(2.5)计算话题的意见领袖的影响力LIN，其中影响因素包括用户对话题的敏感度贡献度UC和权威度UA，用户的影响力排名中前5位用户为话题的意见领袖，他们的影响力之和为话题的意见领袖影响力；t表示实验持续时间，Butp(i)表示距实验起始时间第i个时间步用户u所发布的与话题词组tp有关的微博数，包括转发、回复、原创微博，代表Butp(i)的均值；Bitp表示距实验起始时间第i个时间步与话题词组tp有关的微博数，代表Bitp的均值，以1h为一个时间步，u1代表该用户之前他的关注者中参与话题的人数，u2代表该用户之后他的粉丝中参与话题的人数，b1代表用户参与话题前他的关注者发表的与话题相关的微博数，b2代表用户参与话题后他的粉丝发表的与话题相关的微博数，在影响力计算中的权重分配为：机构和媒体，UA＝1.0；明星达人，UA＝0.8；草根用户，UA＝0.4；(2.6)计算话题的影响力强度TIN；TIN＝CIN+LIN；(2.7)重复上述(2.1)到(2.6)步，计算出与话题词组tp相关的k个话题的影响力；(3)根据影响力计算公式，以1h为一个时间步计算话题的影响力，得到话题在传播过程中随着时间变化的影响力趋势，其影响力强度从话题初期的缓慢增长到急剧上升最后达到平稳状态，即话题成长为热点；(4)推导话题溯源递推公式，并确定其溯源递推终止条件，输出引发话题的源头wbp：(4.1)根据话题的影响力变化趋势逆向推导，得到溯源递推公式：TIN(tp)＝min TIN(tpk)；(4.2)对话题的溯源模型进行动力学分析，仿真话题传播的演化过程，当演化曲线趋于平稳时即停止话题的溯源递推，话题溯源模型包括三个状态，以N表示未接触话题状态即未激活状态，A表示接触话题并传播状态即激活状态，R表示接触话题而不愿传播状态即免疫状态；未激活态到激活态的概率为λ，激活态到免疫态的概率为μ，未激活态到免疫态的概率为θ；a(t)，n(t)，r(t)分别为A，N，R状态的密度；(4.3)输出曲线中处于话题从出现到发展成为热门话题的临界区间的微博wbp，p＝1……n。