微博應(yīng)用中“轉(zhuǎn)世賬號”的研判技術(shù)與實(shí)現(xiàn).pdf

1、隨著中文微博平臺的快速發(fā)展，微博已經(jīng)融入并且開始影響人們的日常生活，微博上的很多觀點(diǎn)言論正在潛移默化地影響著人們的價值判斷。而人是言論傳播的主體，微博平臺的開放性使一個人在微博上可以對應(yīng)多個虛擬身份，轉(zhuǎn)世賬號就是一類在網(wǎng)絡(luò)輿論監(jiān)測過程中出現(xiàn)的一個用戶對應(yīng)多個賬號的情況，本文主要研究轉(zhuǎn)世賬號的研判問題。
　　轉(zhuǎn)世賬戶現(xiàn)象是在不同時間上同一微博平臺上存在的兩個或者多個賬號對應(yīng)同一個用戶的現(xiàn)象。本文在調(diào)研了微博用戶研究所用信息來源的基礎(chǔ)

2、上，篩選出賬戶名、博文時間和內(nèi)容三個具有高可信性的信息來源，作為研究的基礎(chǔ)數(shù)據(jù)，接著提出了一種基于時序和相似性的轉(zhuǎn)世賬戶研判模型，論文主要包括以下四個研究貢獻(xiàn)：
　?。?）由于受記憶、知識和時間及習(xí)慣等原因限制，同一用戶命名自己的不同賬戶時傾向于選擇相似賬戶名。本文通過研究轉(zhuǎn)世賬戶不同賬戶名的命名規(guī)則及賬戶名間的高相似性，利用相似性設(shè)計并實(shí)現(xiàn)了待查賬戶候選賬戶集產(chǎn)生算法。該算法將賬戶名中包含待查賬戶名任一中文字符的賬戶選入候選集，

3、在最大程度上保留了相似賬號。
　　（2）針對轉(zhuǎn)世賬戶的特殊性，提出了一種博文時序樹算法。由于轉(zhuǎn)世賬戶的前世賬戶與現(xiàn)世賬戶的博文一般在時間維度上有一個嚴(yán)格的先后順序，即現(xiàn)世賬戶的博文不早于前世賬戶的博文發(fā)表時間，并且其第一條博文的時間不會滯后于前世賬戶發(fā)表最后一條博文太長時間。借助這種時序關(guān)系對博文進(jìn)行處理，最終形成一棵以待查賬戶為根，疑似前世賬戶為節(jié)點(diǎn)的時序樹，完成候選賬戶集的時序篩選驗(yàn)證。
　?。?）研究文本相似度計算方法

4、，改進(jìn)了余弦相似度計算方法。本文針對兩個應(yīng)用改進(jìn)了余弦相似度算法。首先對于賬戶名這種超短文本，其相似性不能僅依靠判斷所使用的字相同就認(rèn)為其相似，故本文針對余弦相似度算法不能區(qū)別文本結(jié)構(gòu)上的不同，通過加權(quán)最少編輯距離算法進(jìn)行改進(jìn)，取得了更好的研判效果；另外是對博文相似度，本文認(rèn)為對于命名實(shí)體相同的微博文本，其談?wù)摰脑掝}是相似的，因而本文將文本向量空間分為命名實(shí)體空間和其他特征項(xiàng)空間，并且加大了命名實(shí)體在特征向量里的權(quán)重，該算法可以推廣至基

5、于話題的相似性計算。
　?。?）基于以上算法，提出了一種基于時序和相似性的轉(zhuǎn)世賬戶研判模型，并在新浪數(shù)據(jù)上進(jìn)行了有效性驗(yàn)證。模型主要分為兩大模塊：候選賬戶集產(chǎn)生模塊（Identity Search）和篩選驗(yàn)證模塊（Identity Matching）。前者使用候選賬戶集產(chǎn)生算法生成待查賬戶的候選賬戶集，盡可能避免漏掉可能的前世賬號；后者進(jìn)行時序和相似性的篩選驗(yàn)證，盡可能甄別刪除不是前世賬戶的賬戶。
　　本文在對模型設(shè)計的基礎(chǔ)