微博用户的个性分类分析

J4 ›› 2015, Vol. 37 ›› Issue (2): 402-409.

微博用户的个性分类分析

张岩峰1,陈长松1,杨涛1，左俐俐2，丁飞1

（1.公安部第三研究所，上海 200031；2.中石化管理干部学院，北京 100021）

收稿日期:2013-09-02 修回日期:2013-11-08 出版日期:2015-02-25 发布日期:2015-02-25

Personality classification analysis for micro-blog users

ZHANG Yanfeng1，CHEN Changsong1,YANG Tao1,ZUO Lili2,DING Fei1

(1.The Third Research Institute,the Ministry of Public Security,Shanghai 200031;
2.Sinopec Management Institute,Beijing 100021,China)

Received:2013-09-02 Revised:2013-11-08 Online:2015-02-25 Published:2015-02-25

摘要/Abstract

摘要：

社交网络给每个社会中的人提供了自由表达个人情感、观点、兴趣、建议等言论的平台。用户在这些平台上发表的言论、所做的行为以及用户在平台上建立的社交圈子也给数据挖掘带来了新的数据和机会。提出了一种利用用户在微博上的公开数据信息实现对该用户的MBTI个性维度进行分类分析的方法。在该方法中，基于对用户微博数据的分析，提出了能够表征用户心理和行为的文本和非文本特征，然后采用三种机器学习的分类方法—提升决策树、支持向量机和贝叶斯逻辑递归来对微博用户的个性进行分类分析。实验结果表明，通过对微博数据的挖掘可以在不同MBTI个性维度上达到75%～90%的准确率。

关键词: 社交网络, 微博, 个性分类, 提升决策树, 支持向量机, 贝叶斯逻辑递归

Abstract:

Social networks provide people a platform for expressing their own emotion,viewpoints,interest and suggestion.The users’texts,behaviors and social circles bring new challenges for data mining.In this article,we propose a new method through which we can classify and predict micro-blog users’MBTI personality values by utilizing their shared microblog information. Firstly, based on the analysis of microblog users’ information, texts and nontext features,which can indicate users’psycholinguistic and behavioral characteristics,are extracted.And then three classification methods—AdaBoost decision tree,support vector machine and Bayesian logistic regression,are adopted to classify the personalities of micro-blog users.Extensive experimental results indicate that the prediction accuracy are between 75% and 90% for the four different personality dimensions of MBTI.

Key words: social network;micro-blog;personality classification;AdaBoost decision tree;support vector machine;Bayesian logistic regression

张岩峰1,陈长松1,杨涛1，左俐俐2，丁飞1. 微博用户的个性分类分析[J]. J4, 2015, 37(2): 402-409.

ZHANG Yanfeng1，CHEN Changsong1,YANG Tao1,ZUO Lili2,DING Fei1. Personality classification analysis for micro-blog users [J]. J4, 2015, 37(2): 402-409.

[1]	汪晓洁, 侯小静, 徐春, 张蕾. 具有网络结构适应性的社交网络影响最大化方法[J]. 计算机工程与科学, 2025, 47(4): 667-676.
[2]	刘国岐, 何廷年, 荣艺煊, 李卓然. 基于用户轨迹和好友关系的兴趣点推荐[J]. 计算机工程与科学, 2024, 46(9): 1693-1701.
[3]	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(3): 545-559.
[4]	刘屹成, 刘晓燕, 严馨. 并行平衡级联支持向量机[J]. 计算机工程与科学, 2023, 45(7): 1170-1177.
[5]	唐宇, 代琪, 杨梦园, 陈丽芳, . 改进麻雀搜索算法优化SVM的异常点检测[J]. 计算机工程与科学, 2023, 45(2): 346-354.
[6]	吕小姣, 张玉梅, 杨红红, 吴晓军, . 基于距离排序的DUPSO-DSVM民歌快速分类算法研究[J]. 计算机工程与科学, 2023, 45(10): 1874-1833.
[7]	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(6): 1097-1104.
[8]	马汉达, 朱敏. 改进SVM不平衡数据分类的IGWOSMOTE方法[J]. 计算机工程与科学, 2022, 44(6): 1133-1140.
[9]	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(4): 665-673.
[10]	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(2): 251-256.
[11]	仲臣, 余学祥, 邰晓曼, 韩雨辰, 肖星星, 刘清华, . 萤火虫算法优化支持向量机室内定位研究[J]. 计算机工程与科学, 2022, 44(11): 1968-1975.
[12]	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(1): 165-175.
[13]	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(8): 1376-1386.
[14]	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(7): 1291-1298.
[15]	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(1): 180-190.