论文研究-基于文本聚类与兴趣衰减的微博用户兴趣挖掘方法.pdf

【文件属性】：
文件名称：论文研究-基于文本聚类与兴趣衰减的微博用户兴趣挖掘方法.pdf
文件大小：772KB
文件格式：PDF
更新时间：2022-08-11 14:57:00
微博, single-pass聚类, LDA模型, 用户兴趣挖掘, 兴趣衰减 结合用户兴趣与微博信息的特点，提出了一种文本聚类与兴趣衰减的微博用户兴趣挖掘（TCID-MUIM）方法。首先通过基于词林的同义词合并策略弥补建模时词频信息不足的弊端；然后利用二次single-pass不完全聚类算法将用户微博划分为多个簇，将簇合并为同一文档以弥补微博文本短小难以挖掘主题信息的问题；最后通过LDA模型建模，并考虑用户兴趣随时间变化的问题，引入时间因子，将微博—主题矩阵压缩为用户—主题矩阵，获取用户兴趣。实验表明，较之传统建模方法与合并用户历史微博为同一文档的建模方法，TCID-MUIM方法挖掘的用户兴趣主题具有更好的主题区分度，且更贴合用户的真实兴趣偏好。