李海生

（江南造船集團，上海 201913）

微博作為新時代的產(chǎn)物，在短短的幾年時間已經(jīng)得到了迅猛發(fā)展，目前已經(jīng)成為了日常生活必不可少的溝通、分享工具。一般一條中文微博字?jǐn)?shù)限制在140字左右，但僅僅就這140字的微博卻能表達出一個人的觀點、思想和情緒，大大方便了信息的傳遞、獲取與共享，微博已經(jīng)一躍成為時下最方便、最流行的互聯(lián)網(wǎng)應(yīng)用之一。微博作為互聯(lián)網(wǎng)應(yīng)用杰出的代表，在逐步地影響著人們的日常生活，微博每天大約會產(chǎn)生千萬條數(shù)據(jù)，在這千萬條數(shù)據(jù)中又會產(chǎn)生幾萬個話題，如果用戶想要更深入的了解熱點話題的話，就需要不斷地去刷新動態(tài)，用自己獨到的眼光去判斷熱點話題，分析微博傳遞的信息，這顯然是不合理的，而且了解的信息不完全，得不到理想的結(jié)果。怎樣從龐大的熱點話題中檢測出熱門話題，快速讓讀者了解熱門話題，這是時下里的一個熱點研究方向。同時，微博發(fā)布方式便捷，使得熱點話題得到快速傳播，這些特點也會使得虛假信息和片面信息容易泛濫，成為社會的安定的隱患，而且對于某些部門，他們密切關(guān)注著這些話題的動向。所以本文提出一種熱點話題檢測算法，對時下最熱門的微博系統(tǒng)之一的新浪微博做分析，來幫助相關(guān)人員自動檢測熱門話題，達到實時預(yù)警功能，形成一套微博輿情系統(tǒng)。

1 相關(guān)工作

目前提及話題檢測通常都會提及 TDT，TDT的英文全稱是 Topic Detection and Tracking[1]，最早的研究主要是針對事件的檢測，通常的話題檢測是面向正式的新聞媒體信息流，其主要任務(wù)是識別當(dāng)前話題，搜集相關(guān)話題和對已經(jīng)檢測的話題進行追蹤。TDT中的話題識別與跟蹤的基本思想源于1996年，來自 DARPA、卡內(nèi)基?梅隆大學(xué)、Dragon系統(tǒng)公司以及麻薩諸塞大學(xué)的研究者開始定義話題識別與跟蹤研究的內(nèi)容，并開發(fā)用于解決問題的初步技術(shù)。目前國內(nèi)也有一些類似的系統(tǒng)，例如北大方正技術(shù)研究院推出的方正智思輿情預(yù)警輔助決策支持系統(tǒng)，其成功地實現(xiàn)了針對互聯(lián)網(wǎng)海量輿情自動實時的監(jiān)測分析，有效地解決了政府部門以傳統(tǒng)的人工方式對輿情監(jiān)測的實施難題。

就目前來看，微博輿情熱點發(fā)現(xiàn)的研究主要是在對中文信息的處理中和數(shù)據(jù)挖掘領(lǐng)域。在中文信息處理中，涉及到的技術(shù)有中文分詞技術(shù)、多維向量空間技術(shù)。而在數(shù)據(jù)挖掘技術(shù)方面，有輿情信息采集、自動分類、自動聚類等。黃曉斌在分析文本挖掘技術(shù)的基礎(chǔ)上提出網(wǎng)絡(luò)輿情信息挖掘分析模型[2]，并以實例說明文本挖掘在網(wǎng)絡(luò)輿情分析中的應(yīng)用；錢愛兵分析了網(wǎng)絡(luò)輿情的基本情況，設(shè)計了一個基于主題的網(wǎng)絡(luò)輿情分析模型[3]；郭建永等結(jié)合劃分聚類和凝聚聚類的優(yōu)點提出了一種增量層次聚類算法應(yīng)用于主題發(fā)現(xiàn)[4]；于滿泉等將自然語言處理與信息檢索技術(shù)相結(jié)合，提出針對事件特點的切實有效的單粒度話題識別方法[5]；劉星星等設(shè)計了一個熱點事件發(fā)現(xiàn)系統(tǒng)，該系統(tǒng)面向互聯(lián)網(wǎng)新聞報道流，能自動發(fā)現(xiàn)任意一段時間內(nèi)網(wǎng)絡(luò)上的熱點事件[6]；王偉根據(jù)對網(wǎng)絡(luò)輿情分析的需求，構(gòu)建了基于聚類的網(wǎng)絡(luò)輿情熱點問題發(fā)現(xiàn)及分析系統(tǒng)[7]。對于海量的網(wǎng)絡(luò)輿情信息，如何提高分析處理的效果和效率，提高網(wǎng)絡(luò)輿情熱點分析的準(zhǔn)確度和效率，仍然是目前研究熱點。

2 系統(tǒng)總體設(shè)計

本文是針對目前主流三大微博之一的新浪微博做的一個分析和檢測，旨在反映某個時間段內(nèi)的熱點話題，通過實時對熱點話題的檢測，達到一個輿情預(yù)警的功能。本文構(gòu)建的微博輿情系統(tǒng)架構(gòu)設(shè)計如圖1所示。

圖1 微博熱點話題分析系統(tǒng)架構(gòu)設(shè)計

2.1 微博數(shù)據(jù)采集

微博數(shù)據(jù)采集采用的是網(wǎng)絡(luò)爬蟲技術(shù)，主要是針對新浪微博獲取數(shù)據(jù)源，他能夠遍歷新浪微博范圍內(nèi)整個Web空間的數(shù)據(jù)源，并采集數(shù)據(jù)，然后通過索引將網(wǎng)絡(luò)爬蟲的數(shù)據(jù)建立索引并保存到索引數(shù)據(jù)庫，同時為了保證索引的實時更新，網(wǎng)絡(luò)爬蟲會不斷的工作，對新浪微博中的數(shù)據(jù)源進行重新搜索。微博信息采集實現(xiàn)以下功能：

（1）對新浪微博全網(wǎng)的搜索，將有效信息保存，去除一些重復(fù)和無效數(shù)據(jù)；

（2）網(wǎng)頁分析、信息存儲，實現(xiàn)頁面的去重、去噪，刪除垃圾信息；

（3）多線程、分布式高速采集；

（4）增量更新，只采集上次更新數(shù)據(jù)，而不是全部一次采集一遍，從而保證了信息更新的效率。

2.2 微博數(shù)據(jù)處理模塊

2.2.1 數(shù)據(jù)預(yù)處理

微博文本有其自身的特點，表達方式多樣性，且包含網(wǎng)頁鏈接、圖片、英文字母等等，本文需要對其進行預(yù)處理，步驟如下：

（1）對微博數(shù)據(jù)進行去重、去噪、標(biāo)簽過濾等操作，例如此微博，“今天我非常開心，巴西首場如愿獲得了勝利，恭喜巴西，巴西世界杯看球攻略http：//t.cn/RvoEUxI”，針對此微博數(shù)據(jù)，需要對其進行預(yù)處理，去除鏈接、特殊符號、英文字母，得到純凈的微博數(shù)據(jù)，如“今天我非常開心，巴西首場如愿獲得了勝利，恭喜巴西，巴西世界杯看球攻略”。

（2）去除表情符號，為后面的分詞處理做準(zhǔn)備。

（3）對微博進行分詞處理，本文使用中科院ICT?CLAS系統(tǒng)[8]進行分詞與詞性標(biāo)注。例如“今天我非常開心，巴西首場如愿獲得了勝利，恭喜巴西，巴西世界杯看球攻略”，通過分詞系統(tǒng)可得到{今天/t我/rr非常/d開心/a，/wd巴西/nz首場/d如愿/vi獲得/v了 /rr勝利/n，/wd恭喜/v巴西/nz，/wd巴西/nz世界杯/nz看/v球/n攻略/n}。

（4）對分詞后的文本進行粗降維，即將停用詞，低頻詞從文檔中去除。

2.2.2 特征選取

由于抽取樣本網(wǎng)頁正文的內(nèi)容作為網(wǎng)頁的特征向量待選集合，分詞后的特征向量空間維度很大，導(dǎo)致算法效率會受到影響。 特征選取的目的就是進一步過濾掉信息量不大，對輿情熱點發(fā)現(xiàn)影響不大的詞，達到對網(wǎng)頁特征向量降維的效果，從而提高處理的效率和降低計算復(fù)雜度。這里采用的降維方式是通過統(tǒng)計方法構(gòu)造網(wǎng)頁主題評價函數(shù)，對每個特征向量進行評估，選擇那些符合預(yù)定閾值的詞作為網(wǎng)頁的特征項。

常見的特征選取方法有很多：信息增益法，互信息法，統(tǒng)計量法，交叉熵，優(yōu)勢率和文檔頻率法等。 其中文檔頻率是最簡單，同時也是最有效的文本特征選取方法之一，在此采用它作為特征選取的方法。 在運用該方法時，首先計算各個征詞的文檔頻率，然后通過網(wǎng)頁主題評價函數(shù)進行評估（評估依據(jù)為文檔頻率低的特征不包含對分類（或聚類）有用的鑒別信息，因而對分類結(jié)果沒有什么影響），高于預(yù)定閾值的那些特征詞保留作為特征項。 特征詞出現(xiàn)的頻率 P（k）定義為：

式中freq（k）為網(wǎng)頁特征詞語頻率。

2.2.3 向量表示

特征提取之后，在此采用目前應(yīng)用最廣泛的向量空間模型VSM（Vector Space Module），該模型基本思想是：經(jīng)過文本預(yù)處理后，將文本看作一系列無序詞條的集合，繼而表示為高維空間向量。將文本中每個詞條Ti作為惟一特征用來表示，權(quán)值Wi表示一個文本中的第i個元素或特征的重要性，這樣每條微博m就可以映射為此空間中的一個點，用向量表示為Vm=（T1W1，T2W2，…，TnWn）。再通過句子相似度計算獲得文本之間的差距，然后我們就可以判斷微博之間的相似性。用向量空間模型表示微博消息的優(yōu)點：將文本內(nèi)容用向量化表示，使得自然語言能夠被計算機理解，具有可操作性和可計算性；模型概念容易理解，應(yīng)用過程易于實現(xiàn)；通過對權(quán)值的計算能夠體現(xiàn)不同詞語在微博語句中的重要性；在計算文本相似度時有更大選擇空間。該模型的缺點：將微博消息中的詞條離散化，詞的次序、詞與詞之間的關(guān)系等因素將不被考慮，因此當(dāng)以詞為向量基本單位時，可能造成空間維數(shù)較高，影響效率，所以需要進行降維處理。

2.3 熱點話題發(fā)現(xiàn)模塊

熱點發(fā)現(xiàn)模塊主要是將經(jīng)過預(yù)處理的微博數(shù)據(jù)進行分析，獲取在一定時間周期內(nèi)發(fā)布信息流中，一組內(nèi)容相同和相近的話題微博，當(dāng)參與者超過一定的閾值H時則認(rèn)定為熱點話題MT。微博話題描述的形式為，MT=（MS，N，T，MF），其中 MS表示非空的微博信息集合；N表示參與者的個數(shù)；T表示微博消息發(fā)生的時間跨度；MF表示抽取時間的微博特征詞匯表。根據(jù)熱點話題的定義，每次熱點話題提取和分析的對象，是時間跨度T內(nèi)微博的集合，表示為CM，MS屬于CM。因此微博的話題發(fā)現(xiàn)就是基于微博內(nèi)容的歸類處理，每一類微博就能說明用戶群所關(guān)注的一個焦點，即熱點話題。

在微博內(nèi)容的劃分上，由于微博數(shù)量巨大且內(nèi)容復(fù)雜，并且在研究中沒有先驗學(xué)習(xí)語料，所以不能直接通過有監(jiān)督的文本分類方法來獲得歸類后的微博子集合。因此類別特征能被視為話題的對應(yīng)體，通過計算每個微博話題的特征詞表就能夠發(fā)現(xiàn)這段時間內(nèi)微博中的熱點話題。在無監(jiān)督學(xué)習(xí)條件下直接獲取每一個話題對應(yīng)的特征詞表是不現(xiàn)實的，可以通過詞頻統(tǒng)計[9]的方式發(fā)現(xiàn)整個微博流中的特征集合，根據(jù)內(nèi)容關(guān)聯(lián)度對這個特征集合進行劃分就能得到每個微博話題對應(yīng)的特征詞表，每個特征詞表對應(yīng)一個話題，通過這樣的方法完成微博的話題發(fā)現(xiàn)。

2.4 系統(tǒng)管理模塊

任何一個系統(tǒng)都離不開系統(tǒng)管理模塊，本系統(tǒng)管理模塊主要是針對用戶角色設(shè)定的，實現(xiàn)用戶、訪問權(quán)限、數(shù)據(jù)分離、數(shù)據(jù)安全控制等。主要由用戶管理模塊和角色權(quán)限管理模塊兩個模塊組成。系統(tǒng)管理模塊是系統(tǒng)的核心，同時也控制著數(shù)據(jù)訪問權(quán)限。

2.5 測試指標(biāo)

文本分類算法常用的評價指標(biāo)有召回率R、準(zhǔn)確率P和F值，計算公式如下：

召回率：

準(zhǔn)確率：

F值：

式中Ci為實驗分類為C的微博數(shù)；Di為實驗總的微博數(shù)；Ei為微博分類為C的微博條數(shù)，C表示微博類別。

3 實驗分析

本文利用如上所述的方法采集新浪微博數(shù)據(jù)28 000條，經(jīng)過預(yù)處理分析，篩選出19 830條數(shù)據(jù)，利用這近2萬條數(shù)據(jù)進行分析計算，得到話題有{好聲音，532}，{爸爸去哪兒，453}，{感動中國，344}，{文明出行，298}等，其中的數(shù)字表示詞頻。微博話題檢測詞頻如表1所示。

表1 微博話題檢測詞頻

表1為系統(tǒng)經(jīng)過分析后的數(shù)據(jù)，近期微博熱點話題為#中國好聲音#，雖然只有2萬條數(shù)據(jù)，但是其占據(jù)了很大比例。對于這套分析系統(tǒng)采用第2節(jié)所示的測試指標(biāo)，召回率為0.657 76，準(zhǔn)確率為0.708 53，F(xiàn)值為0.582 35。召回率、準(zhǔn)確率和F值都在0.6左右，所以對比往常的分析方法還算正常的結(jié)果范圍。利用系統(tǒng)分析出的熱點話題，與當(dāng)下的熱點話題相比確實差不多，中國好聲音確實比較流行。

4 結(jié) 語

本文利用網(wǎng)絡(luò)爬蟲算法結(jié)合新浪微博的API獲取新浪媒體的微博數(shù)據(jù)，然后對微博數(shù)據(jù)進行過濾，預(yù)處理得出比較純凈的微博數(shù)據(jù)，然后結(jié)合熱點話題算法構(gòu)建了一套微博輿情分析系統(tǒng)，此系統(tǒng)經(jīng)過試驗證明有一定的可行性，能獲得當(dāng)前的微博話題。但是該系統(tǒng)還存在很多問題，例如無法對熱點話題進行實時的預(yù)警，對一些敏感詞匯進行追蹤，查詢發(fā)布源頭等，這些都是下一步系統(tǒng)所需要改進的地方。

[1]ALLAN James，PAPKA Ron，LAVRENKO Victor.On ?line new event detection and tracking[C]//Processing of 21st Annual International ACM SIGIR Conference on Research and Develop?ment in Information Retrieval.Amherst：University of Massa?chusetts，1998：37?45.

[2]黃曉斌，趙超.文本挖掘在網(wǎng)絡(luò)輿情信息分析中的應(yīng)用[J].情報科學(xué)，2009（1）：94?99.

[3]錢愛兵.基于主題的網(wǎng)絡(luò)輿情分析模型及其實現(xiàn)[J].情報分析與研究，2008（4）：49?55.

[4]郭建永，蔡永，甑艷霞.基于文本聚類技術(shù)的主題發(fā)現(xiàn)[J].計算機工程與設(shè)計，2008（6）：1426?1428.

[5]于滿泉，駱衛(wèi)華，許洪波，等.話題識別與跟蹤中的層次化話題識別技術(shù)研究[J].計算機研究與發(fā)展，2006，43（3）：489?495.

[6]劉星星，何婷婷，龔海軍，等.網(wǎng)絡(luò)熱點事件發(fā)現(xiàn)系統(tǒng)的設(shè)計[J].中文信息學(xué)報，2008，22（6）：80?85.

[7]王偉，許鑫.基于聚類的網(wǎng)絡(luò)輿情熱點問題發(fā)現(xiàn)及分析[J].情報分析與研究，2009（3）：74?79.

[8]ICTCLAS Chinese Word Segmentation.Download ICTCLAS[EB/OL].[2012?07?02].http：//ictclas.org/ictclas_download.aspx.

[9]張清亮，徐健.網(wǎng)絡(luò)情感詞自動識別方法研究[J].現(xiàn)代圖書情報技術(shù)，2011（10）：24?28.