基于k均值聚類微博用戶分類探究

《基于k均值聚類微博用戶分類探究》由會(huì)員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在工程資料-天天文庫(kù)。

1、基于k均值聚類微博用戶分類探究摘要：文章通過(guò)對(duì)用戶數(shù)據(jù)的分析，根據(jù)用戶的教育情況,用戶的收入情況，采用k均值算法對(duì)用戶進(jìn)行聚類，將具有相同特征的用戶歸為同一類，為微博的個(gè)性化營(yíng)銷(xiāo)和服務(wù)提供依據(jù)。關(guān)鍵詞：K均值聚類；微博；用戶分類中圖分類號(hào)：TP393文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1009-3044(2012)26-6273-03微博客是博客的一種變體，是一種允許用戶及時(shí)更新簡(jiǎn)短文本并公開(kāi)發(fā)布的博客形式，允許任何人閱讀或者只能由用戶選擇的群組閱讀。用戶可通過(guò)即時(shí)通訊工具、網(wǎng)頁(yè)等終端發(fā)布、更新博文。博客雖已成為一種有效的信息溝通與交流方式，但依然具有進(jìn)入門(mén)檻，而微博客則將門(mén)

2、檻降到最低[l]o微博的使用人群數(shù)量基數(shù)大，狀態(tài)信息更新頻繁、信息傳播迅速。并且微博平臺(tái)媒介用戶占有率相對(duì)集中，因此基于微博數(shù)據(jù)的分析研究成為了十分值得關(guān)注的研究方向。在廉捷[1]等人就微博數(shù)據(jù)的獲取提出了基于新浪微博API與基于頁(yè)面解析的新浪微博數(shù)據(jù)獲取方案。KANGShulong[2]針對(duì)新浪微博研究了其群體結(jié)構(gòu)與度分布特征。目前，微博的應(yīng)用中，沒(méi)有根據(jù)用戶的需求，用戶的特征做相應(yīng)的推薦工作，比如根據(jù)用戶的受教育程度，用戶的所從事的工作，推薦相應(yīng)的用戶群體。本文根據(jù)新浪微博提供的API接口，獲得用戶的相關(guān)資料，采用k均值算法對(duì)用戶分類，為微博的智能的發(fā)展和微博

3、得營(yíng)銷(xiāo)提供有力的支持。k均值算法的步驟如下：初始化。輸入基因表達(dá)矩陣作為對(duì)象集X,輸入指定聚類類數(shù)N,并在X中隨機(jī)選取N個(gè)對(duì)象作為初始聚類中心。設(shè)定迭代中止條件，比如最大循環(huán)次數(shù)或者聚類中心收斂誤差容限。進(jìn)行迭代。根據(jù)相似度準(zhǔn)則將數(shù)據(jù)對(duì)象分配到最接近的聚類中心，從而形成一類。初始化隸屬度矩陣。更新聚類中心。然后以每一類的平均向量作為新的聚類中心，重新分配數(shù)據(jù)對(duì)象。反復(fù)執(zhí)行第二步和第三步直至滿足中止條件。2.1數(shù)據(jù)采集與預(yù)處理本文用戶數(shù)據(jù)的來(lái)源于新浪微博網(wǎng)站，該網(wǎng)站是國(guó)內(nèi)知名的微博社區(qū)。通過(guò)利用網(wǎng)絡(luò)爬蟲(chóng)來(lái)實(shí)現(xiàn)數(shù)據(jù)的獲取。具體抓取和處理過(guò)程如下：1)提取每位用戶基本的

4、數(shù)據(jù)信息，包括用戶的受教育情況，用戶的年齡，用戶從事的行業(yè)情況。2)提取表征用戶社區(qū)結(jié)構(gòu)屬性的數(shù)據(jù)資料，包括他關(guān)注的人數(shù)、關(guān)注他的人數(shù)、微博數(shù)、收藏?cái)?shù)四項(xiàng)數(shù)據(jù)。3)為了在網(wǎng)絡(luò)分析時(shí)更加高效，對(duì)用戶名稱進(jìn)行順序編碼。4)提取每位用戶的關(guān)注對(duì)象名單，共得到8257條數(shù)據(jù)，以用戶為單位進(jìn)行保存。將所有的非數(shù)值型數(shù)據(jù)采用數(shù)值型來(lái)表示，為對(duì)用戶進(jìn)行聚類分析做好準(zhǔn)備。2.2K均值聚類法代碼及其對(duì)用戶分類的實(shí)現(xiàn)本文通過(guò)對(duì)k-meam聚類算法的分析，將聚類算法首次應(yīng)用在微博中，實(shí)現(xiàn)對(duì)用戶的分類，為微博用戶的個(gè)性化服務(wù)和個(gè)性化營(yíng)銷(xiāo)提供依據(jù)。本文的創(chuàng)新點(diǎn)在與，實(shí)現(xiàn)了對(duì)用戶智能的分類，

5、開(kāi)拓了微博應(yīng)用的新的領(lǐng)域。[1]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,2005,51(10)：1300-1305.[2]KANGShuIong,ZHANGChuang?Complexityresearchofmassivelymicrobloggingbasedonhumanbehaviors[C]//20102ndInter?nationalWorkshoponDatabaseTechnologyandApplications,DBTA2010)Proceedings.Wuhan,China：IEEEComputerSoci

6、ety,2010：1-4.