基于LDA特征擴展的用戶畫像

陳澤宇 黃勃

摘要：采用用戶歷史查詢詞構建用戶畫像時，現有向量空間模型存在特征稀疏和2-下文依賴性強的問題。針對該問題，通過引入LDA主題模型，首先提取查詢詞潛在主題，得到查詢詞對應的主題分布;然后將概率最大的主題對應的詞擴充到原始特征空間中，豐富用戶特征;最后采用SVM分類算法對用戶基本屬性進行分類，構建用戶畫像。實驗表明，利用LDA模型對用戶特征進行擴展比傳統向量空間模型用戶畫像精度提高了1.6%。

關鍵詞：用戶畫像;特征擴展;向量空間模型;LDA;SVM

DOI：10.11907/rjdk.192135 開放科學（資源服務）標識碼（OSID）：

中圖分類號：TP391文獻標識碼：A 文章編號：1672-7800（2020）006-0192-04

0 引言

互聯網技術的不斷發展帶來各種社交大數據，這些數據潛藏著巨大的商業價值。用戶畫像指通過分析用戶基本屬性和行為習慣，給用戶貼上一些標簽以描述用戶偏好。例如，通過對用戶網絡行為數據的分析，可以獲知其興趣偏好，從而幫助企業進一步了解用戶需求，為用戶提供更好的消費體驗。

彭秋芳等提出從用戶歷史交易記錄中構建用戶畫像模型，通過機器學習方法發現潛在的用戶行為信息;陳志明等利用知乎網站，構建了基于用戶的社交網絡、興趣愛好和知識能力等多個屬性的用戶畫像模型;王慶福等利用貝葉斯網絡提取用戶特征，構建用戶興趣模型。此外，有學者發現基于搜索引擎的用戶畫像對制定有效的網絡營銷策略具有重要價值，如王樂等針對用戶上網行為數據復雜性帶來的特征選擇不穩定問題，提出融合多種不同類型的特征選擇算法用戶畫像;李軍政基于用戶搜索記錄，提出利用傳統向量空間模型（Vector Space Model，VSM）提取文本特征詞，對用戶基本屬性進行預測。但是由于用戶搜索記錄是短文本，存在數據稀疏及上下文依賴性強等問題，基于向量空間模型（VSM）的傳統特征提取方法忽略了單詞之間的語義關系，因此無法很好地表示用戶特征，從而影響最終分類效果。針對以上問題，本文提出利用隱狄列克雷分配（Latent Dirichlet Allocation，LDA）模型提取短文本主題，并對原始文本特征進行語義擴充，豐富用戶特征信息，進一步提高用戶畫像精度。

1 相關研究

1.1 向量空間模型

向量空間模型（VSM）是經典文本表示模型，可將文本表示為一個數字特征向量。短文集D={d₁，d₂，…，d_M}，M為短文本總數，詞Ⅳ：{W₁，W₂，…，W_N}，N為詞總數。1篇短文本d_i∈D表示為向量的形式V={ω₁，ω₂，…，ω_N}，其中ω_k為詞w_k∈W在d_i中的權重，其中權重值用TF-IDF表示。

其中，tf_ki表示詞W_k在d_i中出現的次數，df_k表示D中含有詞W_k的短文本總數。

1.2 LDA模型

LDA是一種無監督模型，常被用于識別隱藏在文本中的主題信息。該模型可將一系列文檔表示為T個主題的概率分布，且每個主題表示為一系列詞的概率分布，模型結構如圖l所示，圖中符號含義如表l所示。

在LDA中文檔主題分布服從Dirichlet分布，即文本主題分布Θ=Dirichlet（a）。其中，a為主題分布的超參數，一般設置a=50/T。LDA中主題詞分布也服從Dirichlet分布，即主題詞分布φ=Dirichlet（β），其中，β為詞分布超參數，一般設置β=0.01。

大量文獻表明，對LDA模型中Θ和φ直接進行估計是非常困難的，因此需使用近似的估計技術，常用方法有EM算法、Gibbs采樣算法。本文采用Gibbs采樣算法提取文本主題。

Gibbs采樣算法流程為：

輸入：文本集、主題數T。

輸出：文本主題分布，主題詞分布。

步驟1：主題初始化，給文本中的每個詞隨機分配主題。

步驟2：對于每一個詞，利用公式（2）重新計算它的主題概率。

步驟3：重復第2步的Gibbs采樣，直到Gibbs采樣收斂。

步驟4：統計文檔中各個詞的主題得到文本主題分布Θ，主題詞分布φ。

采樣公式為：

1.3 SVM分類模型

支持向量機（Support Vector Machine，SVM）的作用是在樣本空間中找到一個超平面，將空間中的樣本區分開。離超平面最近的樣本到超平面的距離影響分類器泛化能力，所以SVM需最大化該距離。

超平面公式為一個線性方程：ω^Tx+b=0，可看出劃分的超平面受參數ω和b影響.樣本到超平面的距離為：

2 LDA模型

針對用戶搜索記錄，本文首先通過引人LDA模型提取文本主題，然后利用主題詞對用戶特征進行特征擴展，最后通過SVM對用戶的基本屬性進行分類，構建用戶畫像。模型框架如圖2所示。

2.1 數據預處理

首先對原始數據集進行數據清洗，去除屬性不全的數據記錄。由于需將單個漢字轉化成詞語才可進一步挖掘文本信息，所以對不同用戶的搜索記錄進行分詞處理，本文采用jieba分詞，分詞結果只保留名詞、動詞、形容詞3種詞性，這樣可過濾掉一些沒有實際意義的詞，減少特征維度，最后刪除停用詞，分詞結果如表2所示。

2.2 基于LDA特征擴展的用戶畫像

用戶通過搜索引擎可從網絡上獲取信息，滿足自身需求，這些需求往往與用戶興趣愛好、基本屬性有密切關系。例如高學歷的人更偏向于了解與學術論文相關的信息;高齡人群較多搜索養身相關信息;男性則搜索游戲、體育信息的行為較多，所以可通過分析搜索文本刻畫用戶屬性標簽。

在文本特征表示方面，由于向量空間模型（VSM）不能有效結合上下文語義信息，且難以處理特征稀疏的短文本，因此，本文將LDA模型引入到用戶畫像中。例如，對于“蘋果電腦”和“蘋果筆記本”，VSM不能體現出兩篇短文本的相似性，但這兩篇短文本主題分布差異很小，LDA模型可以將它們關聯起來以緩解特征稀疏問題。再比如“這臺蘋果電腦是紅色的”和“電腦旁的蘋果是紅色的”，這兩篇短文本分詞結果相同，VSM會認為這兩篇短文本相似性很高，但這兩篇短文本主題分布差異較大，“蘋果”在前者中被分配的主題是“設備”，在后者中被分配的主題是“水果”，LDA模型可以將其區分開，從而克服上下文依賴性強的缺陷。

利用LDA得到的文本主題分布，可以將短文本表示成關于主題的向量，但是用戶查詢詞主題差別很大，每個用戶查詢詞的主題僅存在于小部分主題中，若用戶查詢詞沒有共同主題，兩者相似度為0，這樣的結果是不合理的。因此，本文利用LDA模型對文本特征進行特征擴展，主題與文本之間存在潛在的語義關聯，擴展后的特征使文本特征表達更加全面。

基于LDA特征擴展的用戶畫像算法流程為：

輸入：用戶查詢詞數據集。

輸出：用戶基本屬性的分類結果。

步驟1：用向量空間模型（VSM）將用戶查詢文本表示為特征向量的形式，并對特征值（TF-IDF）進行歸一化處理。

步驟2：對提取的特征向量進行特征選擇，選取有用的特征詞作為用戶的原始特征詞。

步驟3：對于每個用戶，估算出對應的查詢詞的主題分布Θ，以及主題詞分布φ。

步驟4：尋找概率最大的主題s，將該主題對應的主題詞作為該用戶的擴展特征，特征值為詞W_k屬于這個主題的概率。

步驟5：若擴展的特征詞已存在于原始特征詞中，則無需將該詞添加進去。

步驟6：用SVM算法將擴展后的特征詞的3個屬性標簽分別進行分類。

3 實驗及結果分析

3.1 數據集

本文采用Python3.7進行實驗，操作系統為Windows10，CPU為Core（TM）i7。實驗數據集來源于中國計算機學會（CCF）組織的大數據競賽。數據集中包含10萬條用戶數據，提供用戶基本屬性標簽和一個月內的上網搜索文本。部分數據集如表2所示。

其中ID為加密后的用戶編號;年齡屬性分為6類，由1～6表示，0表示未知;性別屬性分為2類，由1～2表示，0表示未知;學歷屬性分為6類，由1～6表示，0表示未知。

3.2 評價標準

本文選用查準率P、查全率R和Fl值作為模型評價指標，分類結果混淆矩陣如表3所示，分別計算性別、年齡、學歷屬性的分類精確率、召回率和F1值。

3.3 實驗結果對比與分析

將使用LDA模型進行特征擴展的方法、傳統基于VSM特征表示方法抽取用戶特征信息的方法及使用LDA主題模型抽取查詢詞主題信息的方法作為用戶特征信息提取方法進行比較。實驗結果取5次五折交叉驗證后的平均值。

從上述實驗結果可以看出，本文方法平均分類準確率比VSM模型至少提高1.6%，比LDA模型至少提高2.9%;平均召回率比VSM模型至少提高2.4%，比LDA模型至少提高3.6%;F1值比VSM模型至少提高1.9%，比LDA模型至少提高3.2%。其中在學歷屬性上發揮的效果最好，比VSM模型至少提高了2.2%，比LDA模型至少提高了3.2%。傳統VSM模型分類效果不是很理想，但僅使用LDA模型提取查詢詞的主題信息作為用戶特征的分類效果不如VSM模型，因為用戶搜索詞主題過于稀疏，使用戶特征表達性很差，但是利用LDA模型進行特征擴展，將原始特征結合單詞上下文語義信息，使得特征表達更加全面，在一定程度上可緩解短文本特征稀疏和上下文依賴性強的問題。

4 結語

本文針對用戶1個月的歷史查詢記錄，構建了一個基于文本分析的用戶畫像。針對年齡、性別和學歷3個屬性使用SVM進行分類實驗，使用LDA主題模型進行特征擴展，并將其作為用戶特征信息。實驗表明，LDA模型在處理基于用戶搜索詞的用戶畫像時發揮了較好作用。下一步將與詞向量相結合，考慮相同單詞在不同上下文語境中的關聯性，進一步改進模型。