中文Blog熱門話題檢測(cè)與跟蹤技術(shù)研究.pdf

1、Blog(博客)作為一種全新的網(wǎng)絡(luò)發(fā)布模式，在很大程度上增強(qiáng)了網(wǎng)絡(luò)信息的開放性，也使得Blog領(lǐng)域里的信息量成倍增長。為了人們能夠快速的從Blog領(lǐng)域有意義的知識(shí)，迫切需要對(duì)Blog領(lǐng)域的信息進(jìn)行挖掘。目前，Blog領(lǐng)域的內(nèi)容挖掘技術(shù)主要是從Blog中抽取關(guān)鍵信息，獲取統(tǒng)計(jì)信息，并在此基礎(chǔ)上進(jìn)行分析的過程。話題檢測(cè)與話題跟蹤技術(shù)是基于事件的信息組織技術(shù)，以實(shí)現(xiàn)對(duì)新聞報(bào)道信息流中話題的自動(dòng)檢測(cè)以及對(duì)己知話題的動(dòng)態(tài)跟蹤。
　　本文面向

2、Blog領(lǐng)域，使用話題檢測(cè)、話題跟蹤和熱門話題排序技術(shù)對(duì)其話題信息進(jìn)行挖掘，將Blog信息按照所表達(dá)的主題進(jìn)行歸類和組織，有效地管理和組織了Blog信息，可以使用戶在動(dòng)態(tài)變化的環(huán)境下查看自己感興趣或需要的信息，盡量避免涉足大量的其他信息，并對(duì)自己感興趣的話題進(jìn)行追蹤了解的目的。
　　本文首先介紹了話題檢測(cè)和話題跟蹤的基礎(chǔ)技術(shù)文本聚類和分類技術(shù)，并針對(duì)Blog領(lǐng)域信息的特點(diǎn)設(shè)計(jì)了話題檢測(cè)和話題跟蹤技術(shù)。在相似度計(jì)算中提出了詞形和詞頻

3、相結(jié)合的方法和一種新的標(biāo)題相似度和正文相似度相結(jié)合的方法。在提取話題的名稱中提出采用tf*df的權(quán)重計(jì)算方法抽取權(quán)重最大的幾個(gè)詞作為話題的名稱。本文對(duì)Blog領(lǐng)域使用的話題檢測(cè)和話題跟蹤的實(shí)驗(yàn)結(jié)果進(jìn)行了測(cè)試，實(shí)驗(yàn)驗(yàn)證了本文對(duì)相似度的兩種改進(jìn)的有效性和在Blog領(lǐng)域使用話題檢測(cè)和話題跟蹤技術(shù)的可行性。在熱門話題排序技術(shù)中，通過對(duì)Blog網(wǎng)頁的分析，選擇話題中的文章數(shù)、評(píng)論數(shù)、評(píng)論人數(shù)作為排序特征，并提供了四種排序的方法。為了滿足處理大規(guī)模