基于文本挖掘的互聯(lián)網(wǎng)媒體用戶(hù)屬性分析方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種互聯(lián)網(wǎng)媒體用戶(hù)屬性分析方法,尤其涉及一種基于文本挖掘的互 聯(lián)網(wǎng)媒體用戶(hù)屬性分析方法。
【背景技術(shù)】
[0002] 目前,全世界互聯(lián)網(wǎng)已經(jīng)形成規(guī)模,互聯(lián)網(wǎng)應(yīng)用走向多元化,互聯(lián)網(wǎng)越來(lái)越深刻地 改變著人們的學(xué)習(xí)、工作以及生活方式。在網(wǎng)絡(luò)數(shù)據(jù)分析中,能準(zhǔn)確知道互聯(lián)網(wǎng)用戶(hù)的習(xí) 慣、需求等屬性是精確內(nèi)容推廣或者廣告投放的重要前提。目前,在互聯(lián)網(wǎng)中識(shí)別媒體用戶(hù) 屬性的現(xiàn)有技術(shù)方案都是基于用戶(hù)文章樣本的,需要首先收集用戶(hù)全量歷史樣本,整理樣 本用戶(hù)的數(shù)據(jù),整理樣本庫(kù),對(duì)樣本庫(kù)進(jìn)行標(biāo)簽語(yǔ)料庫(kù)分類(lèi),比如,某個(gè)語(yǔ)料庫(kù)代表"購(gòu)物"、 "時(shí)尚"、"服飾"等內(nèi)容;然后再根據(jù)樣本庫(kù)和互聯(lián)網(wǎng)用戶(hù)的樣本庫(kù)進(jìn)行匹配,來(lái)識(shí)別用戶(hù)屬 性。比如:如果一個(gè)男性用戶(hù)喜歡訪(fǎng)問(wèn)"軍事"、"理財(cái)"內(nèi)容的樣本文章,那么所有訪(fǎng)問(wèn)"軍 事","理財(cái)"類(lèi)樣本的用戶(hù)都是男性的概率較大。即,在互聯(lián)網(wǎng)中識(shí)別用戶(hù)屬性的傳統(tǒng)方法 基于樣本數(shù)據(jù),通過(guò)機(jī)器學(xué)習(xí),再配以數(shù)據(jù)模型進(jìn)行訓(xùn)練,進(jìn)行互聯(lián)網(wǎng)用戶(hù)屬性的判斷。
[0003] 上述傳統(tǒng)方法存在以下缺陷:都需要有一個(gè)已知的用戶(hù)樣本,然后通過(guò)用戶(hù)樣本 的行為偏好進(jìn)行機(jī)器學(xué)習(xí),再分析未知用戶(hù)的用戶(hù)屬性,所以只能分析樣本用戶(hù)屬性中的 已知屬性,對(duì)未知的屬性無(wú)法識(shí)別和挖掘,而且對(duì)已知屬性進(jìn)行分析也不夠精確。
【發(fā)明內(nèi)容】
[0004] 本發(fā)明的目的就在于為了解決上述問(wèn)題而提供一種能對(duì)互聯(lián)網(wǎng)用戶(hù)的屬性進(jìn)行 全方位分析的基于文本挖掘的互聯(lián)網(wǎng)媒體用戶(hù)屬性分析方法。
[0005] 本發(fā)明通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)上述目的:
[0006] 一種基于文本挖掘的互聯(lián)網(wǎng)媒體用戶(hù)屬性分析方法,包括以下步驟:
[0007] (1)文本挖掘:
[0008] 1. 1 :創(chuàng)建標(biāo)簽主語(yǔ)料庫(kù):
[0009] 1. 1. 1 :抽取文章樣本,對(duì)樣本進(jìn)行清洗,清洗掉音頻、視頻、圖片和殘缺文章、亂 碼、非法字符;
[0010] 1. 1. 2 :根據(jù)標(biāo)簽類(lèi)庫(kù)人工分類(lèi);
[0011] 1. 1. 3 :對(duì)樣本同時(shí)進(jìn)行動(dòng)態(tài)聚類(lèi)和模糊聚類(lèi),設(shè)置簇參數(shù);
[0012] 1. 1. 4 :依次進(jìn)行語(yǔ)義分析、簇特征分析、修正簇參數(shù)和密度降噪處理,得出噪音值 M ;
[0013] 1. 1. 5 :將噪音值M與閾值a作比較,如果噪音值M小于閾值a,則跳轉(zhuǎn)至步驟 1. 1. 6,如果噪音值M大于或等于閾值a,則跳轉(zhuǎn)至步驟1. 1. 3 ;
[0014] 1. 1. 6 :再依次進(jìn)行模型聚類(lèi)、語(yǔ)義分析、類(lèi)特征分析、修正類(lèi)參數(shù)和密度降噪處 理,得出噪音值N;
[0015] 1. 1. 7 :將噪音值N與閾值a作比較,如果噪音值N小于閾值a,則跳轉(zhuǎn)至步驟 1. 1. 8,如果噪音值N大于或等于閾值a,則進(jìn)行修正標(biāo)簽類(lèi)庫(kù)后跳轉(zhuǎn)至步驟1. 1. 6;
[0016] 1. 1. 8 :進(jìn)行模型分類(lèi)形成標(biāo)簽主語(yǔ)料庫(kù);
[0017] 1. 2 :創(chuàng)建特征語(yǔ)料庫(kù):
[0018] 1. 2. 1 :對(duì)標(biāo)簽主語(yǔ)料庫(kù)依次進(jìn)行樣本詞頻分析、語(yǔ)義分析;
[0019] 1. 2. 2 :進(jìn)行高詞頻分類(lèi);
[0020] 1. 2. 3:創(chuàng)建特征詞與標(biāo)簽類(lèi)庫(kù)的映射模型,形成特征語(yǔ)料庫(kù);
[0021] 1.3:語(yǔ)料庫(kù)更新維護(hù):
[0022] 1. 3. 1 :抽取全量已分類(lèi)文章樣本;
[0023] 1. 3. 2:依次進(jìn)行詞頻分析、語(yǔ)義分析、密度降噪處理和清洗噪音數(shù)據(jù),樣本分類(lèi), 更新標(biāo)簽主語(yǔ)料庫(kù)或者特征語(yǔ)料庫(kù);
[0024] 1. 3. 3 :搜集新增標(biāo)簽,抽取帶新增標(biāo)簽文章樣本,進(jìn)入步驟1. 1,清洗噪音數(shù)據(jù), 樣本分類(lèi),更新標(biāo)簽主語(yǔ)料庫(kù);
[0025] (2)獲取互聯(lián)網(wǎng)媒體用戶(hù)屬性集合:
[0026]2. 1 :抽取互聯(lián)網(wǎng)媒體用戶(hù)全量歷史文章樣本,對(duì)樣本進(jìn)行清洗,清洗掉視頻、音頻 和圖片;
[0027] 2. 2:對(duì)樣本進(jìn)行動(dòng)態(tài)聚類(lèi)和模糊聚類(lèi)同步處理,再依次進(jìn)行詞頻分析、語(yǔ)義分析、 類(lèi)特征分析、修正類(lèi)參數(shù)和密度降噪處理,得出噪音值A(chǔ);
[0028] 2. 3 :將噪音值A(chǔ)與閾值a作比較,如果噪音值A(chǔ)小于閾值a,則跳轉(zhuǎn)至步驟2. 4,如 果噪音值A(chǔ)大于或等于閾值a,則跳轉(zhuǎn)至步驟2. 2;
[0029] 2. 4:再依次進(jìn)行模型聚類(lèi)、語(yǔ)義分析、類(lèi)特征分析和密度降噪處理,得出噪音值 B ;
[0030] 2. 5 :將噪音值B與閾值a作比較,如果噪音值B小于閾值a,則跳轉(zhuǎn)至步驟2. 6,如 果噪音值B大于或等于閾值a,則進(jìn)行修正類(lèi)參數(shù)處理后跳轉(zhuǎn)至步驟2. 4;
[0031] 2. 6 :進(jìn)行模型分類(lèi)形成互聯(lián)網(wǎng)媒體用戶(hù)屬性集合;
[0032] 上述步驟中,閾值a根據(jù)業(yè)務(wù)需要進(jìn)行調(diào)整,一般選擇0. 01 ;上述步驟中涉及下述 詞語(yǔ)的定義如下:
[0033] 標(biāo)簽類(lèi)庫(kù):由一類(lèi)自定義標(biāo)簽形成的類(lèi)庫(kù),每一個(gè)標(biāo)簽均指向同一類(lèi)屬性的事物, 不同類(lèi)標(biāo)簽之間有明顯特征區(qū)別,遵循高聚類(lèi)、低耦合的原則;
[0034] 簇參數(shù):用聚類(lèi)算法進(jìn)行聚類(lèi)時(shí),根據(jù)標(biāo)簽類(lèi)庫(kù)的標(biāo)簽種類(lèi)數(shù)量及文章的相似度 人為設(shè)定的一個(gè)組類(lèi)數(shù)量,同組類(lèi)的樣本相似度較高,異組類(lèi)的樣本相似度較低,聚類(lèi)時(shí)以 此參數(shù)作為分組的依據(jù),并通過(guò)人工監(jiān)督的方式不斷調(diào)整該參數(shù),以達(dá)到與標(biāo)簽類(lèi)庫(kù)最佳 匹配的目的;
[0035] 語(yǔ)義分析:第一,人工分析:對(duì)樣本進(jìn)行聚類(lèi)后,通過(guò)人工抽樣的方式,對(duì)樣本進(jìn) 行人工理解,判斷樣本之間的相似度的過(guò)程,同時(shí)作為簇參數(shù)的修改依據(jù);第二,機(jī)器分析: 對(duì)樣本進(jìn)行分類(lèi)時(shí),通過(guò)與語(yǔ)料庫(kù)的匹配算法,對(duì)樣本進(jìn)行分類(lèi)的過(guò)程,同時(shí)作為語(yǔ)料庫(kù)修 正的依據(jù);
[0036] 簇特征分析:通過(guò)語(yǔ)義分析,利用提取主特征的算法,對(duì)已聚類(lèi)的簇進(jìn)行特征提取 和標(biāo)識(shí)的過(guò)程;
[0037] 修正簇參數(shù):在構(gòu)建語(yǔ)料庫(kù)時(shí),對(duì)樣本進(jìn)行第一次聚類(lèi)后,通過(guò)人工監(jiān)督學(xué)習(xí)的方 式,利用簇特征分析,調(diào)整聚類(lèi)的組類(lèi)數(shù)量以達(dá)到與標(biāo)簽類(lèi)庫(kù)的最佳匹配,這個(gè)調(diào)整組類(lèi)數(shù) 量的過(guò)程即為修正簇參數(shù);
[0038] 密度降噪處理:在簇特征分析過(guò)程中,需要對(duì)數(shù)據(jù)進(jìn)行噪音處理,將主特征散點(diǎn)分 布圖中距離較遠(yuǎn)的點(diǎn)去掉,以形成可反應(yīng)主特征的類(lèi)別集合,這個(gè)去除噪音點(diǎn)的過(guò)程,即為 密度降噪處理;
[0039] 類(lèi)特征分析:經(jīng)過(guò)第一次簇降噪,對(duì)降噪后的類(lèi)別集合進(jìn)行特征提取和標(biāo)識(shí)的過(guò) 程;
[0040] 修正類(lèi)參數(shù):在構(gòu)建語(yǔ)料庫(kù)時(shí),對(duì)樣本進(jìn)行第二次聚類(lèi)后,通過(guò)人工監(jiān)督學(xué)習(xí)的方 式,利用類(lèi)特征分析,調(diào)整聚類(lèi)的組類(lèi)數(shù)量以達(dá)到與標(biāo)簽類(lèi)庫(kù)的最佳匹配,這個(gè)調(diào)整組類(lèi)數(shù) 量的過(guò)程即為修正簇參數(shù);
[0041] 修正標(biāo)簽類(lèi)庫(kù):在第二次聚類(lèi)的過(guò)程中,由于已經(jīng)進(jìn)行過(guò)一次降噪處理,樣本分類(lèi) 模型已初步滿(mǎn)足高聚類(lèi)、低耦合的原則,再基于此模型進(jìn)行第二次降噪處理后,基本可以達(dá) 到業(yè)務(wù)要求,此時(shí)的分類(lèi)模型已經(jīng)確定,需要通過(guò)調(diào)整標(biāo)簽類(lèi)庫(kù)來(lái)達(dá)到與分類(lèi)的最佳匹配, 此調(diào)整過(guò)程即為修正標(biāo)簽類(lèi)庫(kù);
[0042] 基于模型分類(lèi):經(jīng)過(guò)兩次降噪處理后,形成一個(gè)基于樣本的分類(lèi)模型,作為冷啟動(dòng) 的修正算法,再對(duì)需要分類(lèi)的樣本基于該模型進(jìn)行分類(lèi)的過(guò)程;
[0043] 動(dòng)態(tài)聚類(lèi):按照限定類(lèi)別去發(fā)現(xiàn)符合類(lèi)別的樣本詞匯;
[0044] 模糊聚類(lèi):按照樣本詞匯語(yǔ)義模糊歸屬類(lèi)別;
[0045] 模型聚類(lèi):先假設(shè)一個(gè)類(lèi)別,再去發(fā)現(xiàn)符合類(lèi)別的樣本詞匯,將給定類(lèi)別和樣本詞 匯達(dá)到最佳擬合。
[0046] 作為優(yōu)選,所述步驟1. 1. 4中,M值算法如下:
[0047] 考慮給定對(duì)象集D,對(duì)象〇的k_距離記為disk k(o),是〇與另一個(gè)對(duì)象p G D之 間的距離dist(o,p),使得:
[0048] 至少有 K 個(gè)對(duì)象 o' G D,使得 disk(o, o')< dist(o, p),
[0049] 至少有 K-1 個(gè)對(duì)象 o' G D,使得 disk(o, o')< dist(o, p),
[0050] 記:
[0051] Nk (o) = {〇' | o' G D,dist (〇, o')< distk (o)},
[0052] 對(duì)于兩個(gè)對(duì)象〇,〇',如果dist(o, o')>d