江務(wù)學(xué)

(東莞職業(yè)技術(shù)學(xué)院 計算機工程系，廣東 東莞 523808)

社交網(wǎng)絡(luò)中熱點話題深度挖掘方法及實驗測試

江務(wù)學(xué)

(東莞職業(yè)技術(shù)學(xué)院 計算機工程系，廣東 東莞 523808)

互聯(lián)網(wǎng)大數(shù)據(jù)時代，社交網(wǎng)絡(luò)數(shù)據(jù)交互具有實時性、社會性、復(fù)雜性；多元架構(gòu)數(shù)據(jù)信息中會存在熱點話題數(shù)據(jù)；傳統(tǒng)社交網(wǎng)絡(luò)熱點話題挖掘方法存在熱點詞條檢索速度慢、話題詞條層淺、斷層數(shù)據(jù)無法挖掘等一系列問題，如何將社交網(wǎng)絡(luò)中的熱點話題數(shù)據(jù)進行挖掘，針對這一問題提出大數(shù)據(jù)信息詞條特征比對提取方法，對社交網(wǎng)絡(luò)中的大數(shù)據(jù)數(shù)據(jù)信息詞條進行特征顯化處理，采用餅圖對比方式對特征化詞條數(shù)據(jù)進行網(wǎng)絡(luò)互交頻率展現(xiàn)，采用多維數(shù)據(jù)獲取法，解決社交網(wǎng)絡(luò)熱點話題挖掘中出現(xiàn)的數(shù)據(jù)阻滯現(xiàn)象，滿足社交網(wǎng)絡(luò)中熱點話題深度挖掘的要求；通過仿真實驗對提出方法進行效率、準(zhǔn)確度、速度測試，實驗結(jié)果表明，提出方法對社交網(wǎng)絡(luò)中的熱點話題挖掘快捷、高效、實用性強。

社交網(wǎng)絡(luò)；熱點話題；挖掘；信息詞條特征

0 引言

近年來，社會發(fā)展速度加快，信息通信科學(xué)技術(shù)發(fā)展迅猛。信息網(wǎng)絡(luò)架構(gòu)逐漸完善，光纖、4G網(wǎng)絡(luò)基站等高速網(wǎng)絡(luò)傳輸介質(zhì)與技術(shù)的運用使人、機、物構(gòu)成多元化大數(shù)據(jù)空間[1-2]，標(biāo)志著大數(shù)據(jù)時代的到來。互聯(lián)網(wǎng)大數(shù)據(jù)時代，個人數(shù)據(jù)信息集中交互構(gòu)建了相對穩(wěn)定的社交網(wǎng)絡(luò)空間。隨著網(wǎng)絡(luò)普及，社交網(wǎng)絡(luò)成為獲取外界信息、親人朋友相互溝通交流的重要手段，并已成為當(dāng)下熱點話題發(fā)布的前沿陣地。社交網(wǎng)絡(luò)中數(shù)據(jù)節(jié)點的構(gòu)成特征性決定數(shù)據(jù)節(jié)點組成詞條信息數(shù)據(jù)級別的重要性[3-4]，部分數(shù)據(jù)節(jié)點特征構(gòu)成的詞條對其他數(shù)據(jù)節(jié)點特征構(gòu)成具有決定性作用，對社交網(wǎng)絡(luò)中探討觀點起到導(dǎo)向作用。社交網(wǎng)絡(luò)空間內(nèi)龐大的個人、社會信息數(shù)據(jù)交織匯總，形成信息交互網(wǎng)。社交網(wǎng)絡(luò)信息交互網(wǎng)中信息數(shù)據(jù)時效性強，信息結(jié)構(gòu)組成復(fù)雜，特征詞條信息數(shù)據(jù)微差化[5]。深度挖掘社交網(wǎng)絡(luò)信息交互網(wǎng)中時下熱點話題數(shù)據(jù)成為各大網(wǎng)站平臺關(guān)注的核心。

針對社交網(wǎng)絡(luò)中熱點話題深度挖掘提出大數(shù)據(jù)信息詞條特征比對方法，社交網(wǎng)絡(luò)信息交互網(wǎng)中的數(shù)據(jù)組成特征標(biāo)簽各不相同，對社交網(wǎng)絡(luò)信息交互網(wǎng)中大數(shù)據(jù)數(shù)據(jù)信息詞條的構(gòu)成進行數(shù)據(jù)標(biāo)簽特征分類，到達社交網(wǎng)絡(luò)信息交互網(wǎng)中數(shù)據(jù)特征化歸類，運用譜線形式對特征化詞條數(shù)據(jù)進行網(wǎng)絡(luò)互交頻率展現(xiàn)，采用多維獲取數(shù)據(jù)算法，解決傳統(tǒng)社交網(wǎng)絡(luò)中熱點話題數(shù)據(jù)檢索過程中出現(xiàn)的數(shù)據(jù)獲取阻滯問題。保證熱點話題數(shù)據(jù)檢索準(zhǔn)確流暢。通過對特征詞條一段時間交互數(shù)量的統(tǒng)計分析，達到深度挖掘社交網(wǎng)絡(luò)中熱點話題目的。通過仿真實驗對提出方法進行測試，測試數(shù)據(jù)表明，提出的大數(shù)據(jù)信息詞條特征比對方法在社交網(wǎng)絡(luò)熱點詞條分析中，熱點詞條挖掘檢索速度快、掘準(zhǔn)確度高，滿足社交網(wǎng)絡(luò)中熱點話題深度挖掘的要求。

1 社交網(wǎng)絡(luò)中熱點話題深度挖掘方法設(shè)計

1.1 社交網(wǎng)絡(luò)中話題數(shù)據(jù)構(gòu)成方式

社交網(wǎng)絡(luò)信息交互網(wǎng)中,話題數(shù)據(jù)節(jié)點被多次交互, 形成交互節(jié)點數(shù)據(jù)集。交互節(jié)點數(shù)據(jù)集由熱點話構(gòu)成題詞條特征數(shù)據(jù)信息、熱點話題人群特征數(shù)據(jù)信息、熱點話題社會特征數(shù)據(jù)信息三部分組成，統(tǒng)稱特征節(jié)點數(shù)據(jù)。三部分信息數(shù)據(jù)交錯排列。復(fù)雜、動態(tài)交互節(jié)點按照社交網(wǎng)絡(luò)交互網(wǎng)信息交互頻次排列式進行排列。排列式如下：

(1)

(2)

(3)

上述推導(dǎo)排列式中，a,b,c...n代表不同詞條數(shù)據(jù)節(jié)點，φ為社交網(wǎng)絡(luò)信息交互網(wǎng)中節(jié)點數(shù)據(jù)的交互頻率，T為社交網(wǎng)絡(luò)信息交互網(wǎng)中節(jié)點數(shù)據(jù)的交互間隔時間。i為特征數(shù)據(jù)標(biāo)簽排列位序值。根據(jù)推導(dǎo)排列式可以獲得社交網(wǎng)絡(luò)中話題數(shù)據(jù)排列構(gòu)成方式如表1所示。

表1 社交網(wǎng)絡(luò)中話題數(shù)據(jù)排列構(gòu)成方式

由表1可以看出，社交網(wǎng)絡(luò)中話題數(shù)據(jù)構(gòu)成排列方式中詞條信息特征標(biāo)簽節(jié)點數(shù)據(jù)并不明顯且排列混亂。在社交網(wǎng)絡(luò)信息交互網(wǎng)中很難進行重點話題詞條挖掘。

1.2 社交網(wǎng)絡(luò)中話題數(shù)據(jù)特征顯化處理

通過上述推導(dǎo)排列關(guān)系式(1)、(2)、(3)生成的社交網(wǎng)絡(luò)中話題數(shù)據(jù)排列譜系得知，社交網(wǎng)絡(luò)信息交互網(wǎng)中構(gòu)成詞條數(shù)據(jù)的特征節(jié)點數(shù)據(jù)按照特征數(shù)據(jù)本體數(shù)據(jù)量進行分布，以交互頻次間隔時間作為本體數(shù)據(jù)分布排列依據(jù)。但此種特征數(shù)據(jù)排列方式具有很強的隱蔽性，在大數(shù)據(jù)的社交網(wǎng)絡(luò)信息交互網(wǎng)中很難檢索到話題數(shù)據(jù)的特征數(shù)據(jù)標(biāo)簽或被其他類似詞條特征數(shù)據(jù)標(biāo)簽，導(dǎo)致社交網(wǎng)絡(luò)熱點話題詞條挖掘滯緩，準(zhǔn)確度差。經(jīng)統(tǒng)計，近5年社交網(wǎng)絡(luò)中熱點話題挖掘率呈下滑趨勢，如圖1所示。

圖1 5年內(nèi)社交網(wǎng)絡(luò)中熱點話題挖掘走勢

通過圖1直觀反映出2012年以來，社交網(wǎng)絡(luò)中熱點話題挖掘率迅速下降，2014年下降率呈突發(fā)性下滑，對表1社交網(wǎng)絡(luò)中話題數(shù)據(jù)排列結(jié)構(gòu)進行特征數(shù)據(jù)節(jié)點優(yōu)化處理。運用特征節(jié)點數(shù)據(jù)標(biāo)簽升序排列法，將話題數(shù)據(jù)排列算法進行頻次系數(shù)取值位序調(diào)整，生成新的排列關(guān)系式，如下所示：

(4)

關(guān)系式(4)中對社交網(wǎng)絡(luò)中話題數(shù)據(jù)特征數(shù)據(jù)標(biāo)簽排列位序值i進行了特征值升序排列處理，處理后的話題數(shù)據(jù)排列在保持本體數(shù)據(jù)位序不變的前提下，對特征數(shù)據(jù)標(biāo)簽進行特征顯現(xiàn)升序排列。排列式如下所示：

(5)

關(guān)系式中，a,b,c...n本體詞條數(shù)據(jù)排列位序受i系數(shù)取值影響，|n∈i≠0|條件保證了優(yōu)化后的詞條數(shù)據(jù)按照新順序排列所構(gòu)成詞條本體與原本體詞條一致。確保后期社交網(wǎng)絡(luò)中熱點話題詞條特征數(shù)據(jù)挖掘檢索的高效性。社交網(wǎng)絡(luò)中話題數(shù)據(jù)特征化處理后排列方式如表2所示。

表2 特征化處理后社交網(wǎng)絡(luò)中話題數(shù)據(jù)排列構(gòu)成方式

由表2可以看出，經(jīng)過特征顯化處理，社交網(wǎng)絡(luò)中話題特征數(shù)據(jù)排列呈升序化排列方式，將特征數(shù)據(jù)在社交網(wǎng)絡(luò)中交互次數(shù)坐標(biāo)系數(shù)引入，可得社交網(wǎng)絡(luò)話題特征標(biāo)簽?zāi)Ｐ?，如?所示。

表3 社交網(wǎng)絡(luò)話題特征標(biāo)簽?zāi)Ｐ?/p>

表3社交網(wǎng)絡(luò)話題特征標(biāo)簽?zāi)Ｐ偷慕?，?biāo)志著社交網(wǎng)絡(luò)話題數(shù)據(jù)特征標(biāo)簽顯化處理全部結(jié)束，社交網(wǎng)絡(luò)話題特征標(biāo)簽?zāi)Ｐ偷慕橄旅娴纳缃痪W(wǎng)絡(luò)中熱點話題詞條數(shù)據(jù)挖掘檢索分析提供了平臺環(huán)境。

1.3 社交網(wǎng)絡(luò)中熱點話題數(shù)據(jù)檢索

通過對社交網(wǎng)絡(luò)中話題數(shù)據(jù)詞條構(gòu)成節(jié)點特征數(shù)據(jù)的處理，社交網(wǎng)絡(luò)中熱點話題詞條數(shù)據(jù)標(biāo)簽顯現(xiàn)出來。怎樣使熱點話題詞條在社交網(wǎng)絡(luò)信息交互網(wǎng)中被快速搜索以及挖掘是本節(jié)處理核心。表3社交網(wǎng)絡(luò)話題特征標(biāo)簽?zāi)Ｐ椭胁捎肧TZP特征對比引擎，對模型中數(shù)據(jù)坐標(biāo)系數(shù)進行交互頻率關(guān)聯(lián)化處理，得出熱點話題詞條特征空間系數(shù)值，特征空間系數(shù)值公式如下所示。

(6)

將模型內(nèi)社交網(wǎng)絡(luò)中熱點詞條數(shù)據(jù)坐標(biāo)系數(shù)導(dǎo)入式(6)，得出社交網(wǎng)絡(luò)中熱點話題詞條特征空間細數(shù)如表4所示 。

表4 社交網(wǎng)絡(luò)中熱點話題詞條特征空間細數(shù)值

通過表4，得到社交網(wǎng)絡(luò)中熱點話題詞條特征空間系數(shù)值，將社交網(wǎng)絡(luò)中熱點話題詞條特征空間系數(shù)值寫入聯(lián)通密度對比算法，進行熱點話題詞條檢索。偽代碼如下：

寫入*D，Λ/MINPtst

/rig

D:一個含有n結(jié)合的特征數(shù)據(jù)集；

/**

算法引入：

檢索特征詞條標(biāo)記為unvisit；

Do*

/null****

動態(tài)選取任意unvisit標(biāo)簽；

標(biāo)記L為visit；

4.客戶滿意度分析機制，對于客戶滿意度的調(diào)查，可以通過各類型調(diào)查問卷來進行，但是這種方法最大的缺點就是被動，其效果與客戶填寫資料的主觀性有著很大的影響。因此可以采取數(shù)據(jù)挖掘的方式來進行，通過采集和挖掘用戶對商品、物流和客服的評價信息，進行情感分析實現(xiàn)主動式的客戶滿意度分析機制。這種分析機制可以主動、準(zhǔn)確且客觀的分析出客戶對商品、物流公司和銷售服務(wù)的各項調(diào)查數(shù)據(jù)，為改進平臺的營銷策略提供可靠的決策依據(jù)。

If L 為&特征空間范圍至少存在MINPtst個系數(shù)值；

提取特征空間標(biāo)簽系數(shù)特征；

/*******

If N是unvisit

將L標(biāo)記提取

*a坐標(biāo)3.4執(zhí)行檢索

For N or L

*b坐標(biāo)6.0 執(zhí)行檢索

For N or L

*c坐標(biāo)9.7 執(zhí)行檢索

For N or L

數(shù)據(jù)結(jié)果返回/rid**

/****

偽代碼中考慮到相近特征數(shù)據(jù)標(biāo)簽詞條影響，對類似特征標(biāo)簽詞條做了篩除設(shè)計保證社交網(wǎng)絡(luò)中熱點話題詞條檢索準(zhǔn)確度。社交網(wǎng)絡(luò)中熱點話題數(shù)據(jù)檢索結(jié)果曲線如圖2所示。

圖2 社交網(wǎng)絡(luò)中熱點話題數(shù)據(jù)檢索結(jié)果譜圖

社交網(wǎng)絡(luò)中熱點話題數(shù)據(jù)檢索過程中除類似特征詞條影響外，還存在數(shù)據(jù)數(shù)空間斷裂無法對斷裂數(shù)據(jù)空間信息進行檢索挖掘的狀況，提出大數(shù)據(jù)信息詞條對比方法，采用大數(shù)據(jù)空間多維空間數(shù)據(jù)獲取方法，來解決數(shù)據(jù)空間斷裂造成的熱點話題數(shù)據(jù)挖掘阻滯現(xiàn)象。

1.4 多維數(shù)據(jù)獲取法

多維數(shù)據(jù)獲取法是利用多條數(shù)據(jù)交互通道的設(shè)計，在大數(shù)據(jù)空間不同層面與不同數(shù)據(jù)域中獲取數(shù)據(jù)，經(jīng)過數(shù)據(jù)特征標(biāo)簽分析后，將關(guān)聯(lián)性信息數(shù)據(jù)作為斷層數(shù)據(jù)空間補缺數(shù)據(jù)面，滿足社交網(wǎng)絡(luò)中熱點話題深度挖掘需要的數(shù)據(jù)特征表現(xiàn)信息。多維數(shù)據(jù)獲取法采用DFIA數(shù)據(jù)信息斷層算法，優(yōu)化整合多通道資源信息數(shù)據(jù)。算法如下所示：

(7)

關(guān)系式(7)中，A、B代表獲取數(shù)據(jù)的通道；N代表通道獲取數(shù)據(jù)資源量系數(shù)；n代表通道數(shù)。大數(shù)據(jù)空間中滿足A∈B∈N∈n≠0，數(shù)據(jù)空間層為開合數(shù)據(jù)狀態(tài)，即數(shù)據(jù)特征標(biāo)簽信息獲取匹配成功。若A∈B∈N∈n=0，數(shù)據(jù)獲取通道A、B等通道出現(xiàn)數(shù)據(jù)斷層，此時A?B?N?n=0，各通道數(shù)據(jù)獲取量與獲取空間層次不在統(tǒng)一，轉(zhuǎn)變?yōu)閯討B(tài)資源獲取，達到多維數(shù)據(jù)獲取的目的。工作原理如圖3所示。

圖3 多維數(shù)據(jù)獲取算法工作原理

通過圖3可以看出，多維數(shù)據(jù)獲取算法中數(shù)據(jù)獲取通道間及相互獨立又相互依存，確保社交網(wǎng)絡(luò)中熱點話題深度挖掘過程中的數(shù)據(jù)準(zhǔn)確與完整。至此，社交網(wǎng)絡(luò)中熱點話題深度挖掘方法設(shè)計全部完成。

2 實驗與結(jié)論

針對提出的社交網(wǎng)絡(luò)中熱點話題深度挖掘方法進行仿真實驗測試。實驗設(shè)置傳統(tǒng)方法與提出方法針對百度、新浪、搜狐、網(wǎng)易、騰訊5大網(wǎng)絡(luò)平臺數(shù)據(jù)進行采集，采集時間為一周。對采集后挖掘出的話題與時下熱點話題進行對比，證實提出方法的有效性與準(zhǔn)確性。測試詳細參數(shù)如表5所示。

表5 實驗測試參數(shù)

從表5中可以看出，提出的方法在社交網(wǎng)絡(luò)熱點話題挖掘數(shù)量上明顯占有優(yōu)勢。證明了提出方法的高效性。將表5數(shù)據(jù)生成準(zhǔn)確度餅圖，進行社交網(wǎng)絡(luò)中熱點話題深度挖掘的準(zhǔn)確度測試。生成圖如圖4所示。

通過圖4的五組社交網(wǎng)絡(luò)熱點話題準(zhǔn)確度餅圖可以看出，百度、新浪、搜狐、網(wǎng)易及騰訊5大平臺數(shù)據(jù)中挖掘熱點話題餅圖與熱點話題基準(zhǔn)量餅圖重疊面積最大的為提出方法數(shù)據(jù)生成的餅圖，證明提出方法在社交網(wǎng)絡(luò)熱點話題深度發(fā)掘中具有準(zhǔn)確度高的優(yōu)點，滿足社交網(wǎng)絡(luò)中熱點話題深度挖掘的要求。

對提出的設(shè)計方法與傳統(tǒng)方法進行社交網(wǎng)絡(luò)中熱點話題挖掘速度的測試，設(shè)置1500組熱點話題分3組進行測，對比提出方法與傳統(tǒng)方法全部挖掘所用時間。具體參數(shù)如表6所示。

圖4 測試數(shù)據(jù)對比圖

測試數(shù)據(jù)傳統(tǒng)方法/s提出方法/s5006.83.5100017.69.5150030.919.5

通過表6數(shù)據(jù)對比，提出的社交網(wǎng)絡(luò)中熱點話題深度挖掘方法比傳統(tǒng)方法挖掘熱點速度短，提升空間大。綜合上述兩組測試數(shù)據(jù)，證明提出的社交網(wǎng)絡(luò)中熱點話題深度挖掘方法設(shè)計高效可行，熱點話題挖掘準(zhǔn)確度高，達到設(shè)計要求。

3 結(jié)束語

互聯(lián)網(wǎng)技術(shù)高速發(fā)展，網(wǎng)絡(luò)社交平臺已成為眾多信息發(fā)布交互平臺?；诖髷?shù)據(jù)環(huán)境下，針對社交網(wǎng)絡(luò)中的熱點話題深度發(fā)掘提出了設(shè)計方法，并通過仿真實驗證明提出方法具有高效性與可行性。設(shè)計方法的測試成功為未來社交網(wǎng)絡(luò)熱點話題挖掘研究領(lǐng)域提供新的設(shè)計思路。

[1] 曹玖新,陳高君,吳江林,等.基于多維特征分析的社交網(wǎng)絡(luò)意見領(lǐng)袖挖掘[J].電子學(xué)報,2016,44(4)：156-162.

[2] 張繼榮,王向陽.基于X ML數(shù)據(jù)挖掘的Apriori算法的研究與改進[J].計算機測量與控制,2016,24(6)：156-162.

[3] 陳福集,胡改麗.網(wǎng)絡(luò)輿情熱點話題傳播模式研究[J].情報雜志,2014,33(1):97-101.

[4] 黃發(fā)良,張師超,朱曉峰.基于多目標(biāo)優(yōu)化的網(wǎng)絡(luò)社區(qū)發(fā)現(xiàn)方法[J].軟件學(xué)報,2013,24(9):2062-2077.

[5] 劉 靜. 數(shù)據(jù)挖掘技術(shù)在教務(wù)管理實踐中的應(yīng)用研究[J].電子設(shè)計工程, 2014, 22(24):1-3.

Depth of Hot Topics in Social Network Mining Method and Experimental Test

Jiang Wuxue

(Department of Computer Engineering， Dongguan Polytechnic, Dongguan 523808, China)

The Internet era of big data, social network data interaction is real-time, sociality, complexity.Multiple architecture data information are hot topics in data.Traditional social network hot topic mining methods retrieval speed slow, hot entry subject terms and shallow layer, fault data cannot be mining and so on a series of problems, how to social network hot topic in data mining, in order to solve this problem put forward comparing large data entry feature extraction method, the social network of big data features manifest data entry, and the pie chart can be compared to the way of network intercrossing frequency characteristic entry data show, the multidimensional data acquisition method, solve the hot issues of social network in the mining of the data block phenomenon, to meet the requirements of the hot topics in social network depth excavation.Through the simulation experiments on the proposed method efficiency, accuracy and speed test, the experimental results show that the proposed method is the hot topic in social network mining fast, efficient and practical.

social network; hot topic; mining; feature information entry

2016-09-05；

2016-09-27。

廣東省產(chǎn)學(xué)研專項資金項目(2013B011301003)；東莞市產(chǎn)學(xué)研合作項目(2014509102211)；東莞職業(yè)技術(shù)學(xué)院政校行企項目(政201607)。

江務(wù)學(xué)(1976-)，男，湖北黃岡人，碩士，副教授，CCF會員，主要從事服務(wù)計算方向的研究。

1671-4598(2017)02-0174-03

10.16526/j.cnki.11-4762/tp.2017.02.048

TP393

A