基于分类技术的Blog用户兴趣挖掘网络毕业(2)
2014-05-05 01:09
导读:用分类算法计算待分类的博客文章与各兴趣类别的关联度,关联度较高的类将被判定其归属于哪一兴趣类别。目前已有多种文本分类算法:中心向量法、k邻近
用分类算法计算待分类的博客文章与各兴趣类别的关联度,关联度较高的类将被判定其归属于哪一兴趣类别。目前已有多种文本分类算法:中心向量法、k邻近算法、支持向量机、简单贝叶斯等。
中心向量法是根据算术平均为每类文本生成一个代表该类的中心向量,计算待分类文本与每类中心向量间的欧式距离,以距离最近的类作为待分类文本的类别。该方法分类速度快,但是,以向量空间距离作为分类标准将形成类球状类别分布,对于与多个类距离相近的文本,该算法的分类准确度将急剧下降[4]。
kNN算法,即k邻近算法,被普遍认为是分类准确度很高的算法。kNN算法的思想是:给一篇待识别的文章,系统在训练集中找到最近的K个近邻,看这K个近邻中多数属于哪一类,就把待识别的文章归为哪一类。K近邻分类器在己分类文章中检索与待识别的文章最相似的文章,从而获得被测文章的类别[5]。kNN算法虽然具有很高的分类准确度,但是它没有训练过程,分类阶段要对所有训练样本进行相似度匹配,计算时间较长。
通过分析,笔者认为可以采用速度较快的中心向量法和准确性很高的kNN算法相结合的方式完成博客文章的分类。系统先采用中心向量法进行分类,对于超过预定义边界范围的待分类向量再采用kNN算法进行补充分类,以保证其分类准确性。因为在大多数情况下,中心向量法即可完成分类,所以该方式显著减少了分类算法的平均计算时间。
3.3 构建兴趣集合
当一个博客的所有文章被分类后,文章所属的兴趣类别被认为是博客作者的兴趣。然后,对兴趣进行整理和排序:根据每个兴趣出现的次数对兴趣进行排序,以兴趣出现次数的多少反应博客作者对兴趣感兴趣的程度。不同层次的兴趣单独计算。
(转载自http://zw.NSEAC.com科教作文网)
用户兴趣的收集和挖掘可能会涉及到用户的隐私和安全问题,因此,在使用用户兴趣数据前要征得用户的同意,同时让用户积极参与,以获得更好的用户个性化服务。
4 Blog用户兴趣挖掘的应用
4.1 自动推荐相似兴趣的博客
对于给定的博客,利用推荐系统可以挖掘出博客用户的兴趣,然后在索引的数据中选择与这些兴趣最匹配的博客。这样,不仅可以帮助用户迅速地了解博客的整体内容,同时兴趣相似的博客的推荐可以让用户找到更多相关的信息,也有助于社会化网络的构建。
4.2 提供个性化的搜索与浏览博客空间中的内容的服务
可以使用个性化搜索引擎索引博客或博客文章,以及博客文章的兴趣类别,博客用户的兴趣和博客关键词,方便用户在博客空间中快速地定位和浏览感兴趣的博客或博客文章。
5 结束语
综上所述,由于Blog提供了更为丰富、极具个性化的信息资源,使得用户主动寻找和发掘自己感兴趣的Blog,而通过基于文本分类技术的Blog用户兴趣挖掘方法,可以满足用户的需求,并且可以为用户提供个性化的信息服务。
参考文献:
[1]崔琳,汪材印.Blog的核心技术和Web挖掘[J].电脑开发与应用,2008,2:44-45,48
[2]中国互联网络信息中心(CNNIC).中国互联网络发展状况统计报告.2009
[3]杨宇航,赵铁军,于浩,郑德权.Blog研究[J].软件学报,2008,4:912-924.
[4]石伟志,刘 涛,吴功宜.一种快速高效的文本分类方法[J]. 计算机工程与应用,2005,41(29):180-183.
[5]柯慧燕.Web文本分类研究及应用[D].硕士学位论文.
武汉理工大学,2006