基于交互关系的微博用户标签预测

J4 ›› 2013, Vol. 35 ›› Issue (10): 44-50.

基于交互关系的微博用户标签预测

汪祥1,贾焰1,周斌1,陈儒华1,韩毅2

（1.国防科学技术大学计算机学院，湖南长沙 410073;2.北京大学信息科学技术学院，北京 100871)

收稿日期:2013-07-10 修回日期:2013-09-28 出版日期:2013-10-25 发布日期:2013-10-25
基金资助:
国家973计划资助项目（2013CB329601,2013CB329602,2013CB329604）；国家863计划资助项目（2012AA01A401,2012AA01A402）；国家自然科学基金资助项目（60933005,91124002）；科技支撑计划课题（2012BAH38B04,2012BAH38B06）；国家242信息安全计划资助项目(2011A010)；博士后基金资助项目（2012M520114）

Interaction relation based user
tag prediction in Microblogging site

WANG Xiang1,JIA Yan1,ZHOU Bin1,CHEN Ruhua1,HAN Yi2

(1.School of Computer Science,National University of Defense Technology,Changsha 410073;
2.School of Information Science and Technology,Peking University,Beijing 100871,China)

Received:2013-07-10 Revised:2013-09-28 Online:2013-10-25 Published:2013-10-25

摘要/Abstract

摘要：

在当今以用户贡献内容为核心的社交网络中，标签成为用户对资源进行标记和分类的重要依据。在新浪微博中，用户可以自由地给自己打上标签以表明自己的兴趣和特征等，用户标签在舆情分析与监测、广告推送和网络营销等应用中起到了非常重要的作用。针对新浪微博中绝大部分用户没有标签或标签较少的问题，提出了基于用户交互行为而产生的交互图的用户标签预测方法。在新浪微博用户量为1.4亿的真实数据集和大数据分析处理平台Hadoop上进行分析发现，本文提出的方法比当前常用的标签预测方法取得了更好的效果。关键词：

关键词: 标签预测, 微博, 交互关系, 标签推荐, 社交网络

Abstract:

In today’s social networks which take users as core, tags are important for users to mark or classify resources. In Sina microblogging website, user can freely tag himself (herself) to indicate his (her) interests and characteristics. User tags play an important role in network marketing, system recommendation and advertisement serving. For the issue that there are no tags or few tags for most users in Sina microblogging website, a method for tag prediction is proposed, which is based on interaction graph generated from actions of interaction between users. Experimental results on randomly generated test datasets show that our method for tag prediction gives better performance than the most used method.

Key words: tag prediction;microblogging;interaction relation;tag recommendation;social network

汪祥1,贾焰1,周斌1,陈儒华1,韩毅2. 基于交互关系的微博用户标签预测[J]. J4, 2013, 35(10): 44-50.

WANG Xiang1,JIA Yan1,ZHOU Bin1,CHEN Ruhua1,HAN Yi2. Interaction relation based user
tag prediction in Microblogging site [J]. J4, 2013, 35(10): 44-50.

[1]	刘维, 杨洁, 罗佳莉, 王赛威, 陈崚. 基于深度学习节点表示的谣言源定位方法[J]. 计算机工程与科学, 2024, 46(03): 545-559.
[2]	段玲, 郭军军, 余正涛, 相艳, . 基于正文和评论交互注意的微博案件方面识别[J]. 计算机工程与科学, 2022, 44(06): 1097-1104.
[3]	刘云, 肖添, 王梓宇. 动态特征选择算法对恶意行为检测的优化研究[J]. 计算机工程与科学, 2022, 44(04): 665-673.
[4]	袁泉, 晏飞扬, 文志云, 张振康, . 基于谱聚类的社交网络差分隐私保护算法研究[J]. 计算机工程与科学, 2022, 44(02): 251-256.
[5]	王春东, 张卉, 莫秀良, 杨文军. 微博情感分析综述[J]. 计算机工程与科学, 2022, 44(01): 165-175.
[6]	谢小杰, 梁英, 王梓森, 董祥祥, . 社交网络用户隐私泄露量化评估方法[J]. 计算机工程与科学, 2021, 43(08): 1376-1386.
[7]	马汉达, 景迪. 基于SSD和时序模型的微博好友推荐算法[J]. 计算机工程与科学, 2021, 43(07): 1291-1298.
[8]	张琦, 张祖凡, 甘臣权. 融合社会关系的社交网络情感分析综述[J]. 计算机工程与科学, 2021, 43(01): 180-190.
[9]	杨丰瑞, 李前洋, 罗思烦, . 一种基于降噪自编码器的隐式反馈推荐算法[J]. 计算机工程与科学, 2020, 42(08): 1500-1505.
[10]	杨丰瑞, 李前洋, 罗思烦, . 基于降噪自编码器的社会化推荐算法[J]. 计算机工程与科学, 2020, 42(05): 944-950.
[11]	刘辉, ., 曾斌, 刘子恺. 融合邻居选择策略和信任关系的兴趣点推荐[J]. 计算机工程与科学, 2020, 42(02): 365-372.
[12]	蔡晨1,2，罗可1,2 . 融合BTM和图论的微博检索模型[J]. 计算机工程与科学, 2019, 41(08): 1512-1518.
[13]	高永兵1,宋添树1,2,李江宇1,马占飞3. 基于知网的个人微博语义相关度的聚类研究[J]. 计算机工程与科学, 2019, 41(06): 1128-1135.
[14]	邱云飞，陈昂. 微博社区的动态节点自适应增量交互优化[J]. 计算机工程与科学, 2019, 41(02): 370-377.
[15]	鲜学丰1,陈晓杰2,赵朋朋2,杨元峰1,Victor S.Sheng3. 基于上下文感知和个性化度量嵌入的下一个兴趣点推荐[J]. 计算机工程与科学, 2018, 40(04): 616-625.