基于分類技術的Blog用戶興趣挖掘

陳 娜

（山西交通職業技術學院，山西 太原 030031）

1 Blog技術介紹

Blog是Web Log的簡稱，稱為“網絡日志”，在大陸音譯為“博客”。它讓任何人都可以像免費電子郵件的注冊、寫作和發送一樣，完成個人網頁的創建、發布和更新，被認為是繼E-mail、BBS、ICQ之后出現的第四種網絡交流方式[1]。

中國互聯網絡信息中心（CNNIC）于2009年1月發布的《中國互聯網絡發展狀況統計報告》中指出：2008年博客用戶規模持續快速發展，截至2008年12月底，在中國2.98億網民中，擁有博客的網民比例達到54.3%，用戶規模為1.62億人。在用戶規模增長的同時，中國博客的活躍度有所提高，半年內更新過博客的比重較2007年底提高了11.7%。博客數量的增長帶來了用戶聚集的規模效應。博客頻道在各類型網站中成為標準配置，其中SNS元素的加入對博客用戶的增長起到了推動作用。博客的影響力進一步加強[2]。

由此可見，Blog作為Web2.0的重要應用，以其個性化的信息發布平臺、多元化的內容載體等特點吸引著越來越多的網絡用戶，撰寫和瀏覽Blog已經成為網絡文化的流行熱點，推動了Blog搜索服務的發展。

2 Blog用戶興趣挖掘的研究意義

Blog相關研究可劃分為Blog定義與識別、內容挖掘、社區發現、重要性分析、Blog搜索和作弊Blog識別這6個主要方面[3]，而Blog搜索是當前Blog研究的熱點之一。但是，目前的Blog搜索服務大都是基于對用戶輸入關鍵詞的匹配。這種搜索方式僅僅是傳統Web搜索的延伸，搜索范圍也受到用戶所指定的關鍵詞的限制，并沒有突出Blog搜索的特殊性，也沒有有效地利用博客內容的個性化、多元化等特征。

而事實上，博客中個性化的內容為我們提供了豐富的有價值的可以用來挖掘用戶個性化特征的數據，不僅可以幫助我們理解博客用戶的興趣、意圖，對其進行個性化的服務，還可以為具有不同信息需求的用戶提供個性化的搜索與瀏覽博客空間中的內容的服務。因此，研究Blog用戶的興趣挖掘技術對于Blog搜索服務的發展是十分重要的。

3 構建Blog用戶興趣挖掘方法

該方法將興趣挖掘的問題轉化為對博客文章的文本分類問題，即利用文本分類技術來實現對主題信息的抽取，將一個博客內的文章分到事先定義好的興趣類別中，如“體育健身”、“音樂”或“影視”等，然后綜合所有文章的分類結果確定該博客作者的興趣集合。

3.1 定義興趣類別

由于沒有統一的興趣分類方式，所以可通過自定義興趣類別來構建興趣類別體系，但要求體系中盡可能包含生活的各種興趣，且要具有層次化的結構，見圖1描述了層次結構中一個第一層的類別節點和其子類別的形式：

圖1 體育健身興趣的層次結構

3.2 分類博客文章

用分類算法計算待分類的博客文章與各興趣類別的關聯度，關聯度較高的類將被判定其歸屬于哪一興趣類別。目前已有多種文本分類算法：中心向量法、k鄰近算法、支持向量機、簡單貝葉斯等。

中心向量法是根據算術平均為每類文本生成一個代表該類的中心向量，計算待分類文本與每類中心向量間的歐式距離，以距離最近的類作為待分類文本的類別。該方法分類速度快，但是，以向量空間距離作為分類標準將形成類球狀類別分布，對于與多個類距離相近的文本，該算法的分類準確度將急劇下降[4]。

kNN算法，即k鄰近算法，被普遍認為是分類準確度很高的算法。kNN算法的思想是：給一篇待識別的文章，系統在訓練集中找到最近的K個近鄰，看這K個近鄰中多數屬于哪一類，就把待識別的文章歸為哪一類。K近鄰分類器在己分類文章中檢索與待識別的文章最相似的文章，從而獲得被測文章的類別[5]。kNN算法雖然具有很高的分類準確度，但是它沒有訓練過程，分類階段要對所有訓練樣本進行相似度匹配，計算時間較長。

通過分析，筆者認為可以采用速度較快的中心向量法和準確性很高的kNN算法相結合的方式完成博客文章的分類。系統先采用中心向量法進行分類，對于超過預定義邊界范圍的待分類向量再采用kNN算法進行補充分類，以保證其分類準確性。因為在大多數情況下，中心向量法即可完成分類，所以該方式顯著減少了分類算法的平均計算時間。

3.3 構建興趣集合

當一個博客的所有文章被分類后，文章所屬的興趣類別被認為是博客作者的興趣。然后，對興趣進行整理和排序：根據每個興趣出現的次數對興趣進行排序，以興趣出現次數的多少反應博客作者對興趣感興趣的程度。不同層次的興趣單獨計算。

用戶興趣的收集和挖掘可能會涉及到用戶的隱私和安全問題，因此，在使用用戶興趣數據前要征得用戶的同意，同時讓用戶積極參與，以獲得更好的用戶個性化服務。

4 Blog用戶興趣挖掘的應用

4.1 自動推薦相似興趣的博客

對于給定的博客，利用推薦系統可以挖掘出博客用戶的興趣，然后在索引的數據中選擇與這些興趣最匹配的博客。這樣，不僅可以幫助用戶迅速地了解博客的整體內容，同時興趣相似的博客的推薦可以讓用戶找到更多相關的信息，也有助于社會化網絡的構建。

4.2 提供個性化的搜索與瀏覽博客空間中的內容的服務

可以使用個性化搜索引擎索引博客或博客文章，以及博客文章的興趣類別，博客用戶的興趣和博客關鍵詞，方便用戶在博客空間中快速地定位和瀏覽感興趣的博客或博客文章。

5 結束語

綜上所述，由于Blog提供了更為豐富、極具個性化的信息資源，使得用戶主動尋找和發掘自己感興趣的Blog，而通過基于文本分類技術的Blog用戶興趣挖掘方法，可以滿足用戶的需求，并且可以為用戶提供個性化的信息服務。

[1]崔琳，汪材印.Blog的核心技術和Web挖掘[J].電腦開發與應用，2008，2:44-45，48

[2]中國互聯網絡信息中心（CNNIC）.中國互聯網絡發展狀況統計報告.2009

[3]楊宇航，趙鐵軍，于浩，鄭德權.Blog研究[J].軟件學報,2008，4:912-924.

[4]石偉志，劉 濤，吳功宜.一種快速高效的文本分類方法[J].計算機工程與應用，2005，41(29):180-183.

[5]柯慧燕.Web文本分類研究及應用[D].碩士學位論文.武漢理工大學，2006