支持OLAP的推特用戶興趣挖掘方法研究.pdf

1、推特是世界主流的社交媒體之一。在推特平臺(tái)上，每天都會(huì)產(chǎn)生大量用戶原創(chuàng)內(nèi)容。從這些海量推特?cái)?shù)據(jù)中探索用戶興趣的分布規(guī)律和相關(guān)性，對(duì)于實(shí)現(xiàn)精確的個(gè)性化推薦和提升用戶滿意度有重要的意義。近些年來(lái)，在推特分析領(lǐng)域，很多學(xué)者提出了許多關(guān)于如何有效挖掘用戶興趣的方法，然而這些方法往往只能挖掘出單一層次的興趣，從而無(wú)法構(gòu)建不同粒度的興趣層次。另一方面，在商業(yè)智能領(lǐng)域，在線分析處理（Online Analytical Processing，簡(jiǎn)稱 OLA

2、P）作為一種海量數(shù)據(jù)的分析處理技術(shù)，允許用戶從不同維度交互式地探索數(shù)據(jù)，提供了一種適合人們探究推特?cái)?shù)據(jù)的直觀形式。
　　本研究提出了一種高效的基于多特征融合的用戶推特?cái)?shù)據(jù)清洗方法和一種基于LDA的推特用戶興趣維層次提取方法，以實(shí)現(xiàn)基于推特?cái)?shù)據(jù)的在線分析處理。前者根據(jù)推文的文本特征、社交特征和話題特征對(duì)推文進(jìn)行綜合評(píng)分，然后剔除低于閾值的噪聲推文，為之后的推特用戶興趣提取奠定了基礎(chǔ)。后者根據(jù)推文與傳統(tǒng)文檔的不同之處，對(duì)LDA進(jìn)行了適

3、當(dāng)改進(jìn)，重新定義了推文的生成過(guò)程，增加了子興趣層次和推文單詞的語(yǔ)義特征，并通過(guò)綜合考慮用戶的推文信息和社交信息構(gòu)建了面向推特用戶興趣的主題模型，即MS-LDA。根據(jù)MS-LDA挖掘出的用戶子興趣和興趣，可以構(gòu)建支持OLAP的興趣維層次，從而實(shí)現(xiàn)對(duì)推特用戶興趣的探索。最后，我們?cè)谡鎸?shí)的數(shù)據(jù)集上驗(yàn)證了本方法可以有效地提取出推特用戶的興趣維層次并適用于上卷、下鉆等各種OLAP操作。同時(shí)，與其他識(shí)別興趣維度的方法相比，本方法具有更高的準(zhǔn)確率和覆