陳 娜

（山西交通職業(yè)技術(shù)學(xué)院，山西 太原 030031）

1 Blog技術(shù)介紹

Blog是Web Log的簡(jiǎn)稱，稱為“網(wǎng)絡(luò)日志”，在大陸音譯為“博客”。它讓任何人都可以像免費(fèi)電子郵件的注冊(cè)、寫作和發(fā)送一樣，完成個(gè)人網(wǎng)頁(yè)的創(chuàng)建、發(fā)布和更新，被認(rèn)為是繼E-mail、BBS、ICQ之后出現(xiàn)的第四種網(wǎng)絡(luò)交流方式[1]。

中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）于2009年1月發(fā)布的《中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告》中指出：2008年博客用戶規(guī)模持續(xù)快速發(fā)展，截至2008年12月底，在中國(guó)2.98億網(wǎng)民中，擁有博客的網(wǎng)民比例達(dá)到54.3%，用戶規(guī)模為1.62億人。在用戶規(guī)模增長(zhǎng)的同時(shí)，中國(guó)博客的活躍度有所提高，半年內(nèi)更新過(guò)博客的比重較2007年底提高了11.7%。博客數(shù)量的增長(zhǎng)帶來(lái)了用戶聚集的規(guī)模效應(yīng)。博客頻道在各類型網(wǎng)站中成為標(biāo)準(zhǔn)配置，其中SNS元素的加入對(duì)博客用戶的增長(zhǎng)起到了推動(dòng)作用。博客的影響力進(jìn)一步加強(qiáng)[2]。

由此可見(jiàn)，Blog作為Web2.0的重要應(yīng)用，以其個(gè)性化的信息發(fā)布平臺(tái)、多元化的內(nèi)容載體等特點(diǎn)吸引著越來(lái)越多的網(wǎng)絡(luò)用戶，撰寫和瀏覽Blog已經(jīng)成為網(wǎng)絡(luò)文化的流行熱點(diǎn)，推動(dòng)了Blog搜索服務(wù)的發(fā)展。

2 Blog用戶興趣挖掘的研究意義

Blog相關(guān)研究可劃分為Blog定義與識(shí)別、內(nèi)容挖掘、社區(qū)發(fā)現(xiàn)、重要性分析、Blog搜索和作弊Blog識(shí)別這6個(gè)主要方面[3]，而B(niǎo)log搜索是當(dāng)前Blog研究的熱點(diǎn)之一。但是，目前的Blog搜索服務(wù)大都是基于對(duì)用戶輸入關(guān)鍵詞的匹配。這種搜索方式僅僅是傳統(tǒng)Web搜索的延伸，搜索范圍也受到用戶所指定的關(guān)鍵詞的限制，并沒(méi)有突出Blog搜索的特殊性，也沒(méi)有有效地利用博客內(nèi)容的個(gè)性化、多元化等特征。

而事實(shí)上，博客中個(gè)性化的內(nèi)容為我們提供了豐富的有價(jià)值的可以用來(lái)挖掘用戶個(gè)性化特征的數(shù)據(jù)，不僅可以幫助我們理解博客用戶的興趣、意圖，對(duì)其進(jìn)行個(gè)性化的服務(wù)，還可以為具有不同信息需求的用戶提供個(gè)性化的搜索與瀏覽博客空間中的內(nèi)容的服務(wù)。因此，研究Blog用戶的興趣挖掘技術(shù)對(duì)于Blog搜索服務(wù)的發(fā)展是十分重要的。

3 構(gòu)建Blog用戶興趣挖掘方法

該方法將興趣挖掘的問(wèn)題轉(zhuǎn)化為對(duì)博客文章的文本分類問(wèn)題，即利用文本分類技術(shù)來(lái)實(shí)現(xiàn)對(duì)主題信息的抽取，將一個(gè)博客內(nèi)的文章分到事先定義好的興趣類別中，如“體育健身”、“音樂(lè)”或“影視”等，然后綜合所有文章的分類結(jié)果確定該博客作者的興趣集合。

3.1 定義興趣類別

由于沒(méi)有統(tǒng)一的興趣分類方式，所以可通過(guò)自定義興趣類別來(lái)構(gòu)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(jié)構(gòu)，見(jiàn)圖1描述了層次結(jié)構(gòu)中一個(gè)第一層的類別節(jié)點(diǎn)和其子類別的形式：

圖1 體育健身興趣的層次結(jié)構(gòu)

3.2 分類博客文章

用分類算法計(jì)算待分類的博客文章與各興趣類別的關(guān)聯(lián)度，關(guān)聯(lián)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(jī)、簡(jiǎn)單貝葉斯等。

中心向量法是根據(jù)算術(shù)平均為每類文本生成一個(gè)代表該類的中心向量，計(jì)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(biāo)準(zhǔn)將形成類球狀類別分布，對(duì)于與多個(gè)類距離相近的文本，該算法的分類準(zhǔn)確度將急劇下降[4]。

kNN算法，即k鄰近算法，被普遍認(rèn)為是分類準(zhǔn)確度很高的算法。kNN算法的思想是：給一篇待識(shí)別的文章，系統(tǒng)在訓(xùn)練集中找到最近的K個(gè)近鄰，看這K個(gè)近鄰中多數(shù)屬于哪一類，就把待識(shí)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(shí)別的文章最相似的文章，從而獲得被測(cè)文章的類別[5]。kNN算法雖然具有很高的分類準(zhǔn)確度，但是它沒(méi)有訓(xùn)練過(guò)程，分類階段要對(duì)所有訓(xùn)練樣本進(jìn)行相似度匹配，計(jì)算時(shí)間較長(zhǎng)。

通過(guò)分析，筆者認(rèn)為可以采用速度較快的中心向量法和準(zhǔn)確性很高的kNN算法相結(jié)合的方式完成博客文章的分類。系統(tǒng)先采用中心向量法進(jìn)行分類，對(duì)于超過(guò)預(yù)定義邊界范圍的待分類向量再采用kNN算法進(jìn)行補(bǔ)充分類，以保證其分類準(zhǔn)確性。因?yàn)樵诖蠖鄶?shù)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(jì)算時(shí)間。

3.3 構(gòu)建興趣集合

當(dāng)一個(gè)博客的所有文章被分類后，文章所屬的興趣類別被認(rèn)為是博客作者的興趣。然后，對(duì)興趣進(jìn)行整理和排序：根據(jù)每個(gè)興趣出現(xiàn)的次數(shù)對(duì)興趣進(jìn)行排序，以興趣出現(xiàn)次數(shù)的多少反應(yīng)博客作者對(duì)興趣感興趣的程度。不同層次的興趣單獨(dú)計(jì)算。

用戶興趣的收集和挖掘可能會(huì)涉及到用戶的隱私和安全問(wèn)題，因此，在使用用戶興趣數(shù)據(jù)前要征得用戶的同意，同時(shí)讓用戶積極參與，以獲得更好的用戶個(gè)性化服務(wù)。

4 Blog用戶興趣挖掘的應(yīng)用

4.1 自動(dòng)推薦相似興趣的博客

對(duì)于給定的博客，利用推薦系統(tǒng)可以挖掘出博客用戶的興趣，然后在索引的數(shù)據(jù)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(nèi)容，同時(shí)興趣相似的博客的推薦可以讓用戶找到更多相關(guān)的信息，也有助于社會(huì)化網(wǎng)絡(luò)的構(gòu)建。

4.2 提供個(gè)性化的搜索與瀏覽博客空間中的內(nèi)容的服務(wù)

可以使用個(gè)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(guān)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(jié)束語(yǔ)

綜上所述，由于Blog提供了更為豐富、極具個(gè)性化的信息資源，使得用戶主動(dòng)尋找和發(fā)掘自己感興趣的Blog，而通過(guò)基于文本分類技術(shù)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(gè)性化的信息服務(wù)。

[1]崔琳，汪材印.Blog的核心技術(shù)和Web挖掘[J].電腦開(kāi)發(fā)與應(yīng)用，2008，2:44-45，48

[2]中國(guó)互聯(lián)網(wǎng)絡(luò)信息中心（CNNIC）.中國(guó)互聯(lián)網(wǎng)絡(luò)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告.2009

[3]楊宇航，趙鐵軍，于浩，鄭德權(quán).Blog研究[J].軟件學(xué)報(bào),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(jì)算機(jī)工程與應(yīng)用，2005，41(29):180-183.

[5]柯慧燕.Web文本分類研究及應(yīng)用[D].碩士學(xué)位論文.武漢理工大學(xué)，2006