一种基于异质数据的人物相似度刻画方法技术
【技术实现步骤摘要】
一种基于异质数据的人物相似度刻画方法
本专利技术属于数据挖掘领域，涉及一种相似度计算技术，具体是一种基于异质数据的人物相似度刻画方法。
技术介绍
随着互联网的发展，人们的生活越来越离不开网络，依靠互联网进行工作、社交和发表言论越来越密切，导致线上和线下的界限逐渐模糊。在此过程中，人们通过不同形式表达出了自己的兴趣和特点；但是，面对巨大的信息量，人们要从海量信息中鉴别出自己感兴趣的内容和找到志趣相同的朋友，商家和政府机构要找到对自己更有价值的用户群体，并根据用户信息进行进一步的研究或推荐，越来越困难。截至2016年6月，中国网民规模达7.10亿，互联网普及率达到51.7％，超过全球平均水平3.1个百分点，其中手机网民规模达6.56亿，社会网络的代表应用——微博的用户规模也达到了2.42亿，使用率为34％。基于此，充分利用社交网络的优势，根据用户在微博上发布的信息得到用户感兴趣的内容，根据用户的关注关系得到用户的交友情况，提取出用户不同的兴趣爱好，发现用户所处的社区，不仅为用户提高接收到信息的价值、节省社交成本，也为企业做用户群体发现、精准推荐等应用提供了巨大的价值。...
【技术保护点】
一种基于异质数据的人物相似度刻画方法，其特征在于，包括如下步骤：步骤一、从网络中收集关于某领域或者活跃度较高的微博数据流，进行预处理并存储在数据库中；步骤二、从数据库中选取部分用户的文本信息作为样本，进行分词和筛选，训练Doc2vec模型；分词是根据中文语言的特点，将选择的每条中文文本切割成一个一个的单词；筛选是指对分词后的结果，分别去除无意义的停用词，单个词，以及高频词和低频词；步骤三、利用数据库中剩余用户的文本信息为测试样本，输入训练后的Doc2vec模型，得到测试样本的每个文本信息的向量分布，进而计算文本相似度矩阵M1；文本相似度矩阵M1中的每个元素是两个用户之间的余...
【技术特征摘要】
1.一种基于异质数据的人物相似度刻画方法，其特征在于，包括如下步骤：步骤一、从网络中收集关于某领域或者活跃度较高的微博数据流，进行预处理并存储在数据库中；步骤二、从数据库中选取部分用户的文本信息作为样本，进行分词和筛选，训练Doc2vec模型；分词是根据中文语言的特点，将选择的每条中文文本切割成一个一个的单词；筛选是指对分词后的结果，分别去除无意义的停用词，单个词，以及高频词和低频词；步骤三、利用数据库中剩余用户的文本信息为测试样本，输入训练后的Doc2vec模型，得到测试样本的每个文本信息的向量分布，进而计算文本相似度矩阵M1；文本相似度矩阵M1中的每个元素是两个用户之间的余弦相似度值；用户i与用户j之间的余弦相似度Si,j值为：vi为用户i的文本向量；步骤四、针对测试样本，抽取各用户的关注关系，计算用户间的杰卡德相似性，构成链接关系矩阵M2；同时根据用户之间的关注关系，构建关注相似度矩阵M3；链接关系矩阵M2中的每个元素是：采用杰卡德系数计算两个用户间的共同朋友数占总朋友数的比例值；其中，用户i与用户j之间的杰卡德相似性计算公式为：其中，fi为用户i的朋友集合；关注相似度矩阵M3中的元素根据两个用户原始的互相关注关系定义，若用户i与用户j相互关注，则元素Ri,j值为1，没有相互关注，元素Ri,j值为0；步骤五、针对测试样本，抽取各用户的基本信息，对不同类型数据采用不同处理方法，并加权得到基本信息的相似度矩阵M4；相似度矩阵M4中的每个元素计算如下：首先，针对两个用户的基本信息，先分别计算类别型数据的信息相似度，文本型数据的信息相似度，以及连续型数据的信息相似度；然后，对三个相似度进行加权，所有的加权值构成基本信息的相似度矩阵M4；步骤六、融合文本相似度矩阵M1，链接关系矩阵M2，关注相似度矩阵M3和基本信息的相似度矩阵M4，刻画矩阵中两个用户之间的相似性；针对用户i与用户j具体融合公式如下：M＝ω1*M1+ω2*M2+ω3*M3+ω4*M4ω1为文本相似度矩阵M1的加权值；ω2为链接关系矩阵M2的加权值；ω3为关注相似度矩阵M3的加权值；ω4为基本信息...
【专利技术属性】
技术研发人员：王卿，刘春阳，包秀国，张旭，王萌，李雄，吴俊杰，蒋丽娜，
申请(专利权)人：国家计算机网络与信息安全管理中心，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。