孫 曉， 葉嘉麒， 唐陳意， 任福繼

（合肥工業(yè)大學(xué) 計(jì)算機(jī)與信息學(xué)院，安徽 合肥 230009）

新浪微博在發(fā)展初期，主要采用國(guó)外的Twitter的發(fā)展模式。但隨著發(fā)展而表現(xiàn)出的個(gè)性化差異，讓新浪微博增加了更多適應(yīng)于中國(guó)用戶的客戶體驗(yàn)。

新浪微博擁有龐大數(shù)目的用戶群體基礎(chǔ)，日均微博總發(fā)送量維持在5 000×104～1×108條之間。用戶狀態(tài)、用戶關(guān)注及粉絲等信息已經(jīng)成為非常龐大且具有價(jià)值的數(shù)據(jù)，如何去獲得及處理這些數(shù)據(jù)，成為十分熱門(mén)和值得關(guān)注的研究方向［1－3］。文獻(xiàn)［4］以新浪微博為基礎(chǔ)，對(duì)網(wǎng)絡(luò)輿情進(jìn)行分析研究；文獻(xiàn)［5］以姚晨微博為例研究微博傳播機(jī)制；文獻(xiàn)［6］對(duì)微博用戶行為特征與關(guān)系特征進(jìn)行實(shí)證分析；文獻(xiàn)［7］介紹了早期新浪微博數(shù)據(jù)挖掘方案及獲取新浪微博數(shù)據(jù)的2種方法，即利用新浪微博API和網(wǎng)絡(luò)爬蟲(chóng)解析微博網(wǎng)頁(yè)獲得數(shù)據(jù)，并對(duì)2種方法進(jìn)行了對(duì)比測(cè)試；文獻(xiàn)［8］將Twitter與中國(guó)本土微博服務(wù)進(jìn)行比較，重點(diǎn)討論了微博服務(wù)所具有的研究?jī)r(jià)值；文獻(xiàn)［9］在Twitter上以話題敏感度為基礎(chǔ)，研究轉(zhuǎn)發(fā)路徑上具有影響力的用戶，并引入主題－內(nèi)容相關(guān)的方法分析影響力；文獻(xiàn)［10］在Twitter數(shù)據(jù)獲取上提出了基于Twitter List API和Lookup API的大量用戶數(shù)據(jù)采集方案；文獻(xiàn)［11］嘗試通過(guò)關(guān)鍵詞生成來(lái)挖掘中文微博的興趣點(diǎn)。

本文嘗試提出利用新浪微博API（OAuth2.0認(rèn)證）以及利用網(wǎng)絡(luò)爬蟲(chóng)的多策略方法解析weibo.com和weibo.cn協(xié)同工作的方案，實(shí)現(xiàn)新浪微博數(shù)據(jù)的高效抓取，在最大程度上以有限的權(quán)限持續(xù)獲得有效數(shù)據(jù)，并對(duì)網(wǎng)絡(luò)爬蟲(chóng)的可行性進(jìn)行測(cè)試，完善爬行策略。另外，利用SVM訓(xùn)練微博情感模型，對(duì)熱門(mén)話題進(jìn)行趨勢(shì)分析與情感傾向性判斷。

1 基于API的數(shù)據(jù)獲取

Web2.0時(shí)代的到來(lái)，使平臺(tái)開(kāi)放成為目前的發(fā)展趨勢(shì)，越來(lái)越多的產(chǎn)品走向開(kāi)放，新浪API也不例外。開(kāi)發(fā)者可以通過(guò)向固定的網(wǎng)絡(luò)地址提交參數(shù)，服務(wù)器返回請(qǐng)求數(shù)據(jù)給開(kāi)發(fā)者的應(yīng)用程序使用。相比網(wǎng)絡(luò)爬蟲(chóng)方式獲取數(shù)據(jù)，新浪微博開(kāi)放API接口使用更加簡(jiǎn)潔方便和高效。

1.1 使用OAuth2.0調(diào)用新浪微博API

在 OAuth2.0標(biāo)準(zhǔn)［12］下調(diào)用新浪微博 API，主要有直接在URL使用參數(shù)傳遞訪問(wèn)及將參數(shù)加入請(qǐng)求頭內(nèi)進(jìn)行訪問(wèn)。

OAuth2.0授權(quán)下API返回的均為JSON格式數(shù)據(jù)，JSON是一種輕量級(jí)的數(shù)據(jù)交換格式，文件不具有明顯的強(qiáng)結(jié)構(gòu)特征。即使在復(fù)雜的JSON對(duì)象中，電腦均能根據(jù)需要處理JSON格式中的數(shù)據(jù)。

在使用API之前，需要了解新浪微博API的接口定義及各個(gè)參數(shù)含義，新浪微博接口限制用戶每個(gè)小時(shí)只能請(qǐng)求一定的次數(shù)。

頻繁地調(diào)用API會(huì)導(dǎo)致暫時(shí)無(wú)法從API獲得數(shù)據(jù)，所有請(qǐng)求都會(huì)無(wú)任何返回。為了避免過(guò)高頻率訪問(wèn)新浪API接口，一方面可以通過(guò)新浪接口實(shí)時(shí)查詢當(dāng)前剩余訪問(wèn)次數(shù)，另一方面，需要對(duì)程序進(jìn)行線程控制，以平均訪問(wèn)頻率。

1.2 新浪微博API與SDK比較

新浪SDK中封裝了眾多從授權(quán)到數(shù)據(jù)獲取的各功能程序，SDK建立在API基礎(chǔ)之上，基于SDK的工程可以大大降低程序開(kāi)發(fā)工作量。目前，已有Java、C＋＋、Python等13種不同語(yǔ)言版本，這些SDK版本還在不斷地完善中，功能性與穩(wěn)定性也在不斷加強(qiáng)，對(duì)于常規(guī)的API訪問(wèn)需求完全可以滿足要求。但其中也存在一些漏洞和不完善的地方，所以對(duì)于某些需要定制的數(shù)據(jù)服務(wù)，還需要直接從API基礎(chǔ)上進(jìn)行擴(kuò)展，并且可以根據(jù)具體問(wèn)題的需求進(jìn)行擴(kuò)展。

2 基于多策略的微博信息獲取

通過(guò)調(diào)用API接口可以實(shí)現(xiàn)新浪微博數(shù)據(jù)的便捷獲取和解析，伴隨著大數(shù)據(jù)時(shí)代的來(lái)臨，數(shù)據(jù)量成為衡量的新標(biāo)準(zhǔn)，新浪在一系列的更新與改革中添加了更多的限制。例如，API中單位時(shí)間訪問(wèn)次數(shù)的限制，部分API接口需要更高級(jí)的權(quán)限才能訪問(wèn)，部分查詢功能根本沒(méi)有公開(kāi)API接口等。因此，本文將研究方向轉(zhuǎn)向利用多策略網(wǎng)絡(luò)爬蟲(chóng)與網(wǎng)頁(yè)解析技術(shù)來(lái)獲取更多微博信息的途徑上。

2.1 新浪微博模擬登陸程序算法過(guò)程

網(wǎng)頁(yè)版微博分為PC端瀏覽器微博與手機(jī)版網(wǎng)頁(yè)微博，兩者并非完全一致。通過(guò)對(duì)登陸頁(yè)面的源碼分析可知，2種登陸方式完全不同。

在使用爬蟲(chóng)對(duì)指定微博頁(yè)面爬取之前，無(wú)論從weibo.cn還是從weibo.com的策略模式上獲取數(shù)據(jù)，都需要先解決通過(guò)網(wǎng)頁(yè)登陸的問(wèn)題。

在手機(jī)微博（http：／／weibo.cn）站點(diǎn)上，對(duì)提交表單分析后可知，weibo.cn登陸時(shí)用戶名密碼屬于明文傳輸，提交的表單中主要參數(shù)為password的name值，vk的value值。通過(guò)登陸成功后獲得的Cookies可以繼續(xù)訪問(wèn)其他微博的內(nèi)容，weibo.cn返回頁(yè)面的編碼格式為UTF－8。

在成功登陸后，登陸所返回的Cookie中包含一個(gè)gsid字段，以get方式在網(wǎng)址中加入此參數(shù)，就能以該用戶的身份去訪問(wèn)新浪微博。

在新浪微博PC網(wǎng)頁(yè)端（http：／／weibo.com）上模擬登陸，流程基本一致，加上新浪微博的不斷更新版本，操作比在手機(jī)微博上模擬登陸復(fù)雜。

在新浪微博網(wǎng)頁(yè)端登錄，先要請(qǐng)求預(yù)登陸prelogin－url的鏈接地址，使用get方法得到返回的數(shù)據(jù)，從中提取servertime、nonce、pubkey和rsakv值作為備用數(shù)據(jù)。網(wǎng)頁(yè)提交的表單中用戶名為base64編碼后的值，密碼的編碼方式已經(jīng)替換為RSA加密方式，之前的登陸密碼編碼方式是對(duì)password經(jīng)過(guò)3次SHA加密，且在其中加入了servertime和nonce的值來(lái)混淆。當(dāng)前新浪微博登陸已經(jīng)更新加密方式為RSA加密，使用返回的JSON數(shù)據(jù)中的pubkey及rsakv對(duì)passwd進(jìn)行RSA加密得到。

新浪微博的RSA加密過(guò)程［13］如下：

（1）先創(chuàng)建一個(gè)rsa公鑰，公鑰的2個(gè)參數(shù)新浪微博都給了固定值，均為16進(jìn)制字符串，轉(zhuǎn)換一下進(jìn)制即可，2個(gè)參數(shù)分別為pubkey和js加密文件中的10001。

（2）步驟（1）加密過(guò)程后，需要向通行證地址http：／／login.sina.com.cn／sso／login.php？client＝ssologin.js（v1.4.4）請(qǐng)求數(shù)據(jù)，其中加入?yún)?shù)rsakv，將pwencode值修改為rsa2，其余根據(jù)表單需要的name對(duì)應(yīng)找到value，使用post方法提交，當(dāng)response中的retcode值為0時(shí)，表明登陸成功。

（3）登陸后獲得Cookies可以繼續(xù)訪問(wèn)其他微博的內(nèi)容。在使用爬蟲(chóng)時(shí)還發(fā)現(xiàn)，在weibo.com上請(qǐng)求返回頁(yè)面的內(nèi)容中，中文字符經(jīng)過(guò)了Unicode 1次編碼，網(wǎng)址經(jīng)過(guò)了Unicode 2次編碼，需要轉(zhuǎn)碼才能夠讀取。

對(duì)于2種不同途徑登陸的新浪微博，獲取的數(shù)據(jù)具有不同的特征和限制。

2.2 微博用戶資料庫(kù)的建立

圖1所示為Uid庫(kù)建立的流程圖。用戶個(gè)人信息字段見(jiàn)表1所列，用戶微博信息字段見(jiàn)表2所列。

圖1 用戶資料庫(kù)建立程序流程圖

對(duì)于微博信息的實(shí)驗(yàn)與分析，需要大量完整的數(shù)據(jù)包。

表1 用戶個(gè)人信息字段

表2 用戶微博信息字段

對(duì)于單個(gè)用戶，其唯一標(biāo)識(shí)為微博用戶Uid，通過(guò)Uid可以獲取用戶的個(gè)人信息及粉絲列表，關(guān)注列表甚至新版微博中的心情投票值。但是對(duì)于大規(guī)模的微博用戶信息獲取，首先需要數(shù)量龐大的Uid作為爬蟲(chóng)程序的入口。對(duì)于這個(gè)問(wèn)題，可以采用先人工收集篩選一部分質(zhì)量比較好的微博Uid，例如1 000個(gè)，然后以1 000個(gè)Uid作為基數(shù)，通過(guò)API獲取其各自的粉絲Uid列表，對(duì)這些Uid進(jìn)行去重處理，擴(kuò)充整個(gè)Uid庫(kù)，幾次循環(huán)，直至達(dá)到閾值設(shè)定的數(shù)量。從Uid庫(kù)中可以利用爬蟲(chóng)進(jìn)行數(shù)據(jù)爬取，雖然效率相對(duì)較低，但可以持續(xù)獲得大量的有效數(shù)據(jù)，比API具有更高的靈活性。在獲取一定量的微博用戶與用戶微博的基礎(chǔ)上，可以開(kāi)展用戶關(guān)系分析、微博傳播途徑分析及關(guān)鍵微博分析等任務(wù)，這些任務(wù)在社交關(guān)系與輿論分析上都具有比較重要的研究?jī)r(jià)值。

2.3 微博情感分析模型的建立

中文微博文本情感分析主要分為文本預(yù)處理、情感信息抽取和情感分類，其中情感信息抽取分為情感詞、主題和關(guān)系的抽取。微博主觀文本情感分類方法主要是基于語(yǔ)義詞典的情感計(jì)算和基于機(jī)器學(xué)習(xí)的情感分類［14］。

目前，基于SVM（support vector machine，簡(jiǎn)稱SVM）的機(jī)器學(xué)習(xí)方法在中文微博情感極性判斷上被廣泛應(yīng)用。

SVM是一種基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)理論的模式識(shí)別方法，主要用于模式識(shí)別領(lǐng)域。本文使用的SVM工具是由臺(tái)灣大學(xué)林智仁博士等開(kāi)發(fā)的一套支持向量機(jī)算法庫(kù)Libsvm。

中文微博文本長(zhǎng)度被限制在140個(gè)中文字符，可以包含多個(gè)句子，不同短句之間的情感極性不盡相同，如果把整句句子賦予一種極性可能會(huì)影響訓(xùn)練效果。更加網(wǎng)絡(luò)化的詞匯、網(wǎng)絡(luò)新詞層出不窮，成為一段時(shí)間內(nèi)的流行語(yǔ)，具有更深層次的含義，例如，“打醬油”、“放棄治療”、形式多樣的表情及比較隨意的表達(dá)方式等，這些都是在中文微博情感分析過(guò)程中需要認(rèn)真考慮的因素。文獻(xiàn)［15］在微博語(yǔ)料上，對(duì)于表情符號(hào)規(guī)則方法、情感詞典規(guī)則方法及SVM層次結(jié)構(gòu)的多策略方法進(jìn)行了探索研究，并進(jìn)一步詳細(xì)分析了方法特征。其實(shí)驗(yàn)結(jié)果顯示，與前2種規(guī)則方法相比，基于SVM層次結(jié)構(gòu)多策略的方法效果最好。本文將采用訓(xùn)練多個(gè)SVM分類器的方法，對(duì)話題微博文本進(jìn)行情感傾向性判斷。

訓(xùn)練語(yǔ)料庫(kù)采用NLPCC2013會(huì)議在中文微博情緒識(shí)別測(cè)試中提供的樣例數(shù)據(jù)，共4 000句，已標(biāo)注整句及分句情感。情感詞典采用Hownet情感詞表及大連理工情感詞匯本體庫(kù)；停用詞表為哈工大停用詞表。訓(xùn)練SVM分類器過(guò)程如下：

（1）按照主客觀分類特征描述方法，從訓(xùn)練語(yǔ)料的微博內(nèi)容中提取主客觀分類特征，訓(xùn)練主客觀 SVM 分類器［15］。

（2）從訓(xùn)練語(yǔ)料分句中提取極性分類特征，特征詞選擇采用卡方公式統(tǒng)計(jì)，即

其中，w為候選詞；e為詞w所在句子的情感傾向性；A為包含詞w并且屬于e類情感的評(píng)論或微博數(shù)；B為包含詞w但不屬于e類情感的評(píng)論或微博數(shù)；C為不包含詞w但屬于e類情感的評(píng)論或微博數(shù)；D為不包含詞w且不屬于e類情感的評(píng)論或微博數(shù)。

特征詞產(chǎn)生后，利用TF－IDF產(chǎn)生特征詞的權(quán)重，然后根據(jù)每條微博的正負(fù)向情感標(biāo)簽訓(xùn)練SVM分類器。

3 實(shí)驗(yàn)及數(shù)據(jù)分析

測(cè)試機(jī)器為SONY CS36筆記本，Inter core P8700雙核，4 GB內(nèi)存，Windows7平臺(tái)下 E－clipse EE，程序由Java開(kāi)發(fā)實(shí)現(xiàn)，接入網(wǎng)絡(luò)為10 MB共享教育網(wǎng)。

3.1 查詢結(jié)果文件大小比較

本文提出了基于新浪微博API與網(wǎng)絡(luò)爬蟲(chóng)的2大類共3種新浪微博數(shù)據(jù)獲取方案。測(cè)試中首先人工選擇100位粉絲超過(guò)5 000人的新浪微博用戶，以保證用戶的所有數(shù)據(jù)均可以通過(guò)API和網(wǎng)絡(luò)爬蟲(chóng)正確獲取。

新浪微博API最多只能返回5 000名粉絲的Uid信息，在weibo.com上只能查詢到1 000名粉絲Uid信息，在weibo.cn上和API方式一樣，能查詢到5 000名粉絲Uid信息。表3所列為100個(gè)用戶的粉絲Uid信息查詢返回大小對(duì)比，在測(cè)試中，JSON是基于API的查詢結(jié)果。

表3 用戶粉絲查詢文件大小對(duì)比

相比于通過(guò)API獲取用戶粉絲，可以發(fā)現(xiàn)網(wǎng)絡(luò)爬蟲(chóng)方式獲取的數(shù)據(jù)更加龐大，在獲取同樣數(shù)量粉絲的前提下，文件體積要大近百倍。這是因?yàn)榫W(wǎng)絡(luò)爬蟲(chóng)保留了Html源文件文本中的大量地址信息及Javascript標(biāo)簽等內(nèi)容，因此，通過(guò)網(wǎng)絡(luò)爬蟲(chóng)的方式解析用戶狀態(tài)效率，遠(yuǎn)小于通過(guò)調(diào)用API方式得到用戶信息的方式。

3.2 訪問(wèn)次數(shù)限制測(cè)試

從API訪問(wèn)獲取數(shù)據(jù)的限制可以由新浪微博開(kāi)放平臺(tái)直接得到，從API文檔中還能發(fā)現(xiàn)，新浪微博API不提供關(guān)鍵詞搜索這一功能。

對(duì)于weibo.com及 weibo.cn上的訪問(wèn)限制，并沒(méi)有一個(gè)很明確的數(shù)據(jù)，故設(shè)計(jì)了相關(guān)的爬蟲(chóng)程序，用來(lái)最大限度接近單賬號(hào)登陸后的極限訪問(wèn)次數(shù)。實(shí)驗(yàn)結(jié)果見(jiàn)表4所列。從中可以看出，在網(wǎng)頁(yè)weibo.com上，登陸后對(duì)于用戶資料與用戶微博的獲取不受限制，因此，可以作為構(gòu)建微博用戶資料庫(kù)的數(shù)據(jù)獲取途徑。而手機(jī)weibo.cn也可以作為數(shù)據(jù)獲取途徑，作為輔助數(shù)據(jù)來(lái)源。對(duì)于應(yīng)用爬蟲(chóng)對(duì)關(guān)鍵詞信息的搜索數(shù)據(jù)獲取，新浪微博具有相應(yīng)的限制，與API的不提供相比，已經(jīng)能夠獲取部分?jǐn)?shù)據(jù)。對(duì)于此限制，可以通過(guò)構(gòu)建賬號(hào)池的方式獲得大量數(shù)據(jù)。

表4 爬蟲(chóng)限制

3.3 熱門(mén)關(guān)鍵詞微博搜索與分析

2013年上半年，對(duì)于食品安全的話題在微博上經(jīng)常出現(xiàn)。本實(shí)驗(yàn)以上海地區(qū)死豬事件的關(guān)鍵詞為例，進(jìn)行各省份和地區(qū)微博關(guān)鍵詞搜索，采集時(shí)間為2013年3月3日至2013年4月5日。由于新浪微博API不提供相應(yīng)接口，故實(shí)驗(yàn)首先注冊(cè)一系列微博賬號(hào)，再通過(guò)爬蟲(chóng)獲取34個(gè)省份及地域下的微博內(nèi)容，進(jìn)行抽樣統(tǒng)計(jì)分析。共采集微博68 000余條，經(jīng)過(guò)整理后，微博數(shù)據(jù)的省份和地區(qū)分布如圖2所示。

從圖2中可知，死豬事件在上海、北京、廣東、江蘇、浙江的微博數(shù)量比較多，其中上海、江蘇、浙江、廣東為死豬事件影響地區(qū)，北京地區(qū)數(shù)量較多是因?yàn)橹饕块T(mén)位于北京地區(qū)，對(duì)于死豬事件的調(diào)查過(guò)程以及結(jié)果公布主要通過(guò)官方微博等途徑發(fā)布。其他省份和地區(qū)的微博數(shù)量基本均衡，可見(jiàn)各地均對(duì)食品安全事件有著較高的關(guān)心程度。

除了微博的省份和地區(qū)分布以外，還對(duì)微博發(fā)布時(shí)間進(jìn)行了統(tǒng)計(jì)，如圖3所示。從圖3中可以發(fā)現(xiàn)，整體的微博發(fā)布量趨勢(shì)呈現(xiàn)2個(gè)峰的形式，在3月10日左右微博發(fā)布量開(kāi)始增加，到3月14日開(kāi)始下降并維持在一定數(shù)目，然后在3月28日左右微博發(fā)布量又開(kāi)始增加，到4月1日又開(kāi)始下降。微博上圍繞某一事件主題的微博數(shù)量變化，與這一事件的發(fā)展有著密不可分的關(guān)系。

圖2 采集微博數(shù)量省份與地區(qū)分布情況

圖3 微博發(fā)布時(shí)間分布

新浪新聞關(guān)于上海死豬的專題報(bào)道中收錄了相關(guān)的所有新聞［16－17］。最早一條名為《黃浦江上游松江水域發(fā)現(xiàn)死豬929頭未影響供水》的新聞，發(fā)布時(shí)間為3月9日18：10，從而推斷出3月10日左右的微博數(shù)量增加是由于這一事件的曝光引起的。在這一則新聞之后，日常的新聞基本上是每天打撈死豬的數(shù)量與官方的一些表態(tài)與評(píng)論。

直到3月29日，一則《上海漂浮死豬清撈完成 將加強(qiáng)檢查防止不合格肉》，官方宣告死豬的清理工作完成，此后又有2則記者探訪類的新聞發(fā)布，引起了又一波微博上的討論，至此死豬事件基本平息。

對(duì)于事件的微博進(jìn)行情感傾向性分析，可以推測(cè)出輿論的觀點(diǎn)傾向。對(duì)于話題微博的處理如下：

（1）首先對(duì)于微博內(nèi)容進(jìn)行分句。

（2）用主客觀SVM模型對(duì)分句進(jìn)行預(yù)測(cè)。

（3）對(duì)于主觀微博SVM極性模型進(jìn)行情感極性預(yù)測(cè)，然后根據(jù)正負(fù)向分句的個(gè)數(shù)，對(duì)微博進(jìn)行分類，即

正向情感（正向分句數(shù)＞負(fù)向分句數(shù)）；

負(fù)向情感（正向分句數(shù)＜負(fù)向分句數(shù)）；

中性情感（正向分句數(shù)＝負(fù)向分句數(shù)）。

實(shí)驗(yàn)結(jié)果如圖4所示。

圖4 微博情感分布

從圖4中可以看出，微博的負(fù)向情感變化趨勢(shì)與微博發(fā)布時(shí)間的趨勢(shì)相似，隨著微博發(fā)布量的增加而增加；微博的正向情感變化趨勢(shì)從起初的平穩(wěn)轉(zhuǎn)向波動(dòng)；微博的中性情感則和微博的負(fù)向情感一樣，起伏波動(dòng)。

4 結(jié)束語(yǔ)

本文分析了新浪官方API的數(shù)據(jù)獲取方式，闡述了其用法與限制，通過(guò)分析2種網(wǎng)頁(yè)微博的登陸流程完成模擬登陸，設(shè)計(jì)用戶資料庫(kù)的字段與存儲(chǔ)方式，完成新浪微博數(shù)據(jù)挖掘的流程。通過(guò)設(shè)計(jì)實(shí)驗(yàn)與對(duì)于熱門(mén)事件的搜索與分析，實(shí)現(xiàn)了數(shù)據(jù)挖掘方案的測(cè)試與應(yīng)用。實(shí)驗(yàn)表明，通過(guò)API并結(jié)合混合策略的方式可以最大效率地獲得微博數(shù)據(jù)，同時(shí)，通過(guò)對(duì)于網(wǎng)路爬蟲(chóng)的改造，可以完成新浪微博API中由于權(quán)限等原因無(wú)法取得的數(shù)據(jù)。

在新浪微博的數(shù)據(jù)挖掘方案中，還具有許多可以定制化的挖掘方案，以適應(yīng)不同的數(shù)據(jù)需求，挖掘的深度與廣度也可以根據(jù)需要設(shè)定。如何有效率并且低代價(jià)地獲取所需要的數(shù)據(jù)，需要繼續(xù)研究拓展。

對(duì)微博數(shù)據(jù)進(jìn)行更大規(guī)模的分析處理，則需要大量的微博數(shù)據(jù)，隨著時(shí)間增加，如何更好地組織和存儲(chǔ)這些微博數(shù)據(jù)需要進(jìn)一步考慮，另外，微博中的新詞［17］和微博的關(guān)系數(shù)據(jù)也具有研究?jī)r(jià)值，如何對(duì)其有效處理也需進(jìn)一步研究。

［1］謝愛(ài)平.從網(wǎng)絡(luò)營(yíng)銷工具的使用看凡客誠(chéng)品的發(fā)展［J］.中國(guó)電子商務(wù)，2011（4）：21.

［2］21世紀(jì)經(jīng)濟(jì)報(bào).2013年新浪微博尋找新大陸［DB／OL］.［2013－02－23］.http：／／jinhua.house.sina.com.cn／news／10292163302.shtml.

［3］新浪科技.新浪微博2012年度盤(pán)點(diǎn)［DB／OL］.［2012－12－19］.http：／／tech.sina.com.cn／i／13447902817.shtml.

［4］張嵐嵐.新浪微博的網(wǎng)絡(luò)輿情分析研究［D］.上海：華東師范大學(xué)，2011.

［5］張鈺雪.新浪微博傳播機(jī)制研究［D］.成都：西南大學(xué)，2011.

［6］王曉光.微博客用戶行為特征與關(guān)系特征實(shí)證分析：以 “新浪微博”為例［J］.圖書(shū)情報(bào)工作，2010，54（14）：66－70.

［7］廉 捷，周 欣，曹 偉，等.新浪微博數(shù)據(jù)挖掘方案［J］.清華大學(xué)學(xué)報(bào)：自然科學(xué)版，2011，51（10）：1300－1305.

［8］Chen S，Zhang H，Lin M，et al.Comparison of microblogging service between Sina Weibo and Twitter［C］／／Computer Science and Network Technology（ICCSNT），2011 International Conference on.IEEE，2011：2259－2263.

［9］Cano A E，Mazumdar S，Ciravegna F.Social influence analysis in microblogging platforms：a topic－sensitive based approach［J］.Semantic Web，2011，1（5）：1－16.

［10］房偉偉，李靜遠(yuǎn)，劉 悅，等.Twitter數(shù)據(jù)采集方案研究［J］.山東大學(xué)學(xué)報(bào)：理學(xué)版，2012，47（5）：73－77.

［11］Liu Z，Chen X，Sun M.Mining the interests of Chinese micro bloggers via keyword extraction［J］.Frontiers of Computer Science，2012，6（1）：76－87.

［12］新浪公司.新浪微博開(kāi)放平臺(tái)［DB／OL］.［2012－3－15］.http：／／open.weibo.com／.

［13］紅黑聯(lián)盟.模擬新浪微博登錄算法［DB／OL］.［2013－3－5］.http：／／www.2cto.com／kf／201303／192970.html.

［14］周勝臣，瞿文婷，石英子，等.中文微博情感分析研究綜述［J］.計(jì)算機(jī)應(yīng)用與軟件，2013，30（3）：161－164.

［15］謝麗星，周 明，孫茂松.基于層次結(jié)構(gòu)的多策略中文微博情感分析和特征抽?。跩］.中文信息學(xué)報(bào)，2012，26（1）：73－83.

［16］新浪新聞.新浪新聞關(guān)于上海死豬的專題報(bào)道［DB／OL］.［2013－04－15］.http：／／roll.news.sina.com.cn／s－sizhuall／index.shtml.

［17］孫 曉，李承程，葉嘉麒，等.基于重復(fù)字串的微博新詞非監(jiān)督自動(dòng)抽?。跩］.合肥工業(yè)大學(xué)學(xué)報(bào)：自然科學(xué)版，2014，37（6）：674－678，724.