一種微博用戶身份識(shí)別方法及系統(tǒng)的制作方法
【專利摘要】本發(fā)明提供一種微博用戶身份識(shí)別方法及系統(tǒng)，所述方法包括：獲取待識(shí)別用戶行為數(shù)據(jù)以及用戶行為的特征庫信息；預(yù)處理所述獲取的待識(shí)別用戶行為數(shù)據(jù)；將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)；獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述待識(shí)別用戶行為特征；將所述待識(shí)別用戶行為特征與用戶行為的特征庫信息中的每個(gè)特征類型進(jìn)行比較；當(dāng)所述待識(shí)別用戶行為特征與所述用戶行為的特征庫信息中的一個(gè)特征類型的相似度超過預(yù)設(shè)閾值，則所述待識(shí)別用戶身份確定。采用本發(fā)明提供的微博用戶身份識(shí)別方法及系統(tǒng)可以有效提高微薄用戶身份識(shí)別的準(zhǔn)確性及實(shí)時(shí)性。
【專利說明】一種微博用戶身份識(shí)別方法及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)信息處理【技術(shù)領(lǐng)域】，尤其涉及一種微博用戶身份識(shí)別方法及系統(tǒng)。
【背景技術(shù)】
[0002]隨著web技術(shù)的發(fā)展和微博的出現(xiàn)，越來越多的用戶加入到互聯(lián)網(wǎng)中，成為虛擬社會(huì)中的一員，促進(jìn)了信息傳播方式的變革，提高了信息傳播的效率。然而，微薄用戶身份的識(shí)別作為微薄后臺(tái)維護(hù)的重要組成部分，其識(shí)別過程主要通過微薄用戶在網(wǎng)絡(luò)注冊、存儲(chǔ)的數(shù)據(jù)信息進(jìn)行用戶身份識(shí)別。例如:從網(wǎng)站獲取待識(shí)別用戶訪問網(wǎng)站的日志、臨時(shí)信息及注冊信息來實(shí)現(xiàn)用戶身份識(shí)別；或者，通過中文文本分類方法進(jìn)行微薄用戶身份識(shí)別。
[0003]但是，在現(xiàn)有的微薄用戶身份識(shí)別過程中，發(fā)明人發(fā)現(xiàn)技術(shù)至少存在如下問題:
[0004]現(xiàn)有技術(shù)中通過網(wǎng)站獲取待識(shí)別用戶訪問網(wǎng)站的日志、臨時(shí)信息及注冊信息來實(shí)現(xiàn)用戶身份識(shí)別的過程，由于用戶身份識(shí)別過程所依據(jù)的數(shù)據(jù)主要依靠從網(wǎng)站獲取用戶注冊信息以及該用戶的日志及臨時(shí)信息，從而使得數(shù)據(jù)獲取較為困難，且準(zhǔn)確性不高。
[0005]現(xiàn)有技術(shù)中采用中文文本分類的方法雖然可以實(shí)現(xiàn)微薄用戶身份識(shí)別，但是，無法滿足當(dāng)前微博用戶身份識(shí)別的準(zhǔn)確性及實(shí)時(shí)性。

【發(fā)明內(nèi)容】

[0006]針對現(xiàn)有技術(shù)中存在的缺陷，本發(fā)明的目的是提出一種準(zhǔn)確性高，實(shí)時(shí)性強(qiáng)的微博用戶身份識(shí)別方法及系統(tǒng)。
[0007]本發(fā)明提供一種微博用戶身份識(shí)別方法，包括:
[0008]獲取待識(shí)別用戶行為數(shù)據(jù)以及用戶行為的特征庫信息；
[0009]預(yù)處理所述獲取的待識(shí)別用戶行為數(shù)據(jù)；
[0010]將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)；
[0011]獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；
[0012]根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述待識(shí)別用戶行為特征；
[0013]將所述待識(shí)別用戶行為特征與用戶行為的特征庫信息中的每個(gè)特征類型進(jìn)行比較；
[0014]當(dāng)所述待識(shí)別用戶行為特征與所述用戶行為的特征庫信息中的一個(gè)特征類型的相似度超過預(yù)設(shè)閾值，則所述待識(shí)別用戶身份確定。
[0015]本發(fā)明還提供一種微博用戶身份識(shí)別系統(tǒng)，包括:
[0016]信息獲取單元，用于獲取待識(shí)別用戶行為數(shù)據(jù)以及用戶行為的特征庫信息；
[0017]預(yù)處理單元，用于預(yù)處理所述獲取的待識(shí)別用戶行為數(shù)據(jù)；
[0018]語義單元重構(gòu)單元，用于將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)；
[0019]屬性及權(quán)重信息獲取單元，還用于獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；
[0020]行為特征抽取單元，用于根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述待識(shí)別用戶行為特征；
[0021]比較單元，用于將所述待識(shí)別用戶行為特征與用戶行為的特征庫信息中的每個(gè)特征類型進(jìn)行比較；
[0022]身份確定單元，用于當(dāng)所述待識(shí)別用戶行為特征與所述用戶行為的特征庫信息中的一個(gè)特征類型的相似度超過預(yù)設(shè)閾值，則所述待識(shí)別用戶身份確定。
[0023]本發(fā)明提供的微博用戶身份識(shí)別方法及系統(tǒng)，通過獲取待識(shí)別用戶行為數(shù)據(jù)以及用戶行為的特征庫信息；預(yù)處理所述獲取的待識(shí)別用戶行為數(shù)據(jù)；將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)；獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述待識(shí)別用戶行為特征；將所述待識(shí)別用戶行為特征與用戶行為的特征庫信息中的每個(gè)特征類型進(jìn)行比較；當(dāng)所述待識(shí)別用戶行為特征與所述用戶行為的特征庫信息中的一個(gè)特征類型的相似度超過預(yù)設(shè)閾值，則所述待識(shí)別用戶身份確定。采用本發(fā)明提供的微博用戶身份識(shí)別方法及系統(tǒng)可以有效提高微薄用戶身份識(shí)別的準(zhǔn)確性及實(shí)時(shí)性。
【專利附圖】

【附圖說明】
[0024]圖1為本發(fā)明實(shí)施例提供的一種微博用戶身份識(shí)別方法的流程圖；
[0025]圖2為本發(fā)明提供的一種微博用戶身份識(shí)別方法中用戶行為的特征庫的構(gòu)建流程圖；
[0026]圖3為本發(fā)明提供的一種微博用戶身份識(shí)別方法中更新用戶行為的特征庫的流程圖；
[0027]圖4為本發(fā)明實(shí)施例提供的一種微博用戶身份識(shí)別系統(tǒng)結(jié)構(gòu)示意圖；
[0028]圖5為本發(fā)明實(shí)施例提供的另一種微博用戶身份識(shí)別系統(tǒng)結(jié)構(gòu)示意圖；
[0029]圖6為本發(fā)明實(shí)施例提供的一種微博用戶身份識(shí)別方法中語義單元屬性信息數(shù)據(jù)結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0030]下面結(jié)合附圖對本發(fā)明實(shí)施例提供的一種微博用戶身份識(shí)別方法及系統(tǒng)進(jìn)行詳細(xì)描述。
[0031]如圖1所示，為本發(fā)明實(shí)施例子提供的一種微博用戶身份識(shí)別方法，該方法包括:
[0032]101:獲取待識(shí)別用戶行為數(shù)據(jù)以及用戶行為的特征庫信息；
[0033]102:預(yù)處理所述獲取的待識(shí)別用戶行為數(shù)據(jù)；所述預(yù)處理主要包括行為數(shù)據(jù)篩選、拼寫糾正、分詞和詞性標(biāo)注。
[0034]103:將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)；所述語義單元重構(gòu)是在預(yù)處理的基礎(chǔ)上應(yīng)用詞性信息進(jìn)行詞粘連的方法，通過合并特定的詞，來構(gòu)建包含更豐富語義的語義單元(詞串)。
[0035]104:獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；其中，所述語義單元的屬性信息是指統(tǒng)計(jì)每個(gè)語義單元的詞頻和文檔頻率；所述語義單元的權(quán)重則采用TFIDF函數(shù)來實(shí)現(xiàn)用戶行為特征的權(quán)值計(jì)算，實(shí)現(xiàn)用戶行為特征的數(shù)值化。
[0036]105:根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述待識(shí)別用戶行為特征；所述待識(shí)別用戶行為特征是指抽取最能代表用戶行為的特征，并且特征項(xiàng)(即語義單元)具有很好的區(qū)分度，對于單個(gè)待識(shí)別用戶主要采用詞權(quán)重、詞頻、詞性相結(jié)合的方法，根據(jù)詞權(quán)重和詞頻進(jìn)行關(guān)鍵詞排序；根據(jù)停用詞表過濾掉停用詞或非停用詞(滿足詞長大于最大長度或小于最小長度)選取詞性為、”，“^’，、”，“」”，“!^”，“!!!.”，“!^’，“!^”或者包含“不”的詞。
[0037]106:將所述待識(shí)別用戶行為特征與用戶行為的特征庫信息中的每個(gè)特征類型進(jìn)行比較；所述比較的過程進(jìn)行用戶分類，主要可以采用KNN算法，K值選取方法采用概率分布的方法，即相似的特征向量和特征向量空間之比。具體分類思路為:比較待識(shí)別用戶和用戶行為特征庫信息中每個(gè)用戶類別的相似度sim(u，C)，比較用戶和每個(gè)類別中包含用戶的相似度sim(u, Cui),如果sim(u,C)大于經(jīng)驗(yàn)閾值,或者多數(shù)sim(u,Cui)大于經(jīng)驗(yàn)閾值,貝!J認(rèn)為用戶和該類別存在相關(guān)性，選取相似度最大的用戶類別來確定用戶身份。
[0038]采用調(diào)整余弦相似度的測量方法計(jì)算特征向量之間的相似度，具體步驟如下:
[0039](1)對于特征向量庫中每一個(gè)特征向量，計(jì)算與該用戶特征向量的相似度；
[0040](2)進(jìn)行向量對齊操作，對于向量Vl和v2，求其所有特征項(xiàng)的并集C (vl，v2)，然后將vl和v2映射到C上，得到新的向量vl’和ν2’ ；
[0041](3)采用調(diào)整余弦相似度計(jì)算公式計(jì)算vl’和v2’的相似度。
[0042]107:當(dāng)所述待識(shí)別用戶行為特征與所述用戶行為的特征庫信息中的一個(gè)特征類型的相似度超過預(yù)設(shè)閾值，則所述待識(shí)別用戶身份確定。
[0043]如圖2所示，為本發(fā)明實(shí)施例子提供的一種微博用戶身份識(shí)別方法中構(gòu)建用戶行為的特征庫流程，該構(gòu)建方法包括:
[0044]201:獲取已知用戶行為數(shù)據(jù)；具體的講，就是獲取已知用戶行為數(shù)據(jù)，即訓(xùn)練數(shù)據(jù)；該訓(xùn)練數(shù)據(jù)用于構(gòu)建用戶行為的特征庫。
[0045]202:預(yù)處理所述獲取已知用戶行為數(shù)據(jù)；具體的講，就是按照已知用戶的不同身份，對訓(xùn)練數(shù)據(jù)(即已知用戶數(shù)據(jù))進(jìn)行標(biāo)注，對相同身份的每個(gè)用戶的微博消息進(jìn)行過濾，過濾的方法是比較消息的長度和觀測值Θ (通過對大量微博消息統(tǒng)計(jì)分析，10個(gè)字符以內(nèi)的微博消息包含較少或沒有語義信息，因此本系統(tǒng)中Θ =10111)之間的大小關(guān)系，如果長度小于觀測值，則將微博作為噪聲過濾掉。拼寫檢查主要根據(jù)拼寫常見錯(cuò)誤對照表進(jìn)行拼寫錯(cuò)誤校正。 利用分詞和詞性標(biāo)注工具進(jìn)行分詞及詞性標(biāo)注，處理后每個(gè)詞都包含詞字符串信息和詞性，分詞和詞性標(biāo)注的工具均來自已知技術(shù)，此處不再贅述。
[0046]203:將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)；所述語義單元重構(gòu)具體為:由于長詞串相對于短詞串包含更多語義信息，具有更強(qiáng)的表達(dá)能力，所以語義單元重構(gòu)就是在步驟201處理結(jié)果的基礎(chǔ)上，通過特定的規(guī)則對相鄰的特定詞進(jìn)行詞粘連，進(jìn)而產(chǎn)生更長的語義串。該步驟要處理的相鄰詞包括“ns”地名，“nr”人名，“nt”機(jī)構(gòu)名，“nz”專有名詞和“j”簡稱等，處理的規(guī)則是組合第一次出現(xiàn)該類型詞和最后一次出現(xiàn)該類型詞之間的所有詞。標(biāo)注粘連后的詞串詞性為“cw”，在特征選擇和權(quán)值計(jì)算時(shí)，該類詞更重要。
[0047]204:獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；
[0048]其中，所述獲取語義單元的屬性信息，是基于步驟201和步驟202，為所述語義單元進(jìn)行統(tǒng)一編號(hào)，建立微博一語義單元索引向量，按用戶統(tǒng)計(jì)語義單元的屬性信息，包括詞頻和文檔頻率，為單個(gè)用戶行為特征提取做準(zhǔn)備，按照相同身份用戶進(jìn)行詞頻和文檔頻率統(tǒng)計(jì)，為相同身份類別的類別行為特征提取做準(zhǔn)備，處理結(jié)果信息保存到如圖6所示的數(shù)據(jù)結(jié)構(gòu)中。
[0049]所述獲取所述語義單元的權(quán)重的具體過程為:
[0050]首先，根據(jù)自然語言處理領(lǐng)域中常用的停用詞表過濾掉停用詞，并過濾掉詞頻小于經(jīng)驗(yàn)閾值且詞性為非包含“n”、“cw”的語義單元。其次，采用基于TF-1DF權(quán)值計(jì)算方法，計(jì)算每個(gè)語義單元的權(quán)值，對于特定類型的語義單元賦予更高的權(quán)值，具體方法為，對于詞性為“nr”人名，如是式(2)所示，加權(quán)系數(shù)α = 2.0，對于詞性為“cw”粘連詞，如是式(3)所示，加權(quán)系數(shù)為β = 1.5,具體權(quán)值計(jì)算公式為:
[0051]weight I = TF | 1g2 IDF(I)
[0052]weight2 = 2.0 I TFI 1g2 IDF(2)
[0053]weight3 = 1.5 | TF | 1g2 IDF(3)
[0054]205:根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述已知用戶行為特征；具體獲取過程為:
[0055]對于所述獲取的已知用戶身份的訓(xùn)練數(shù)據(jù)主要采用卡方統(tǒng)計(jì)、詞性、詞頻相結(jié)合的方法；首先計(jì)算每個(gè)語義單元相當(dāng)于用戶類別的卡方值，按照卡方值對語義單元進(jìn)行排序；過濾掉長度等于1，且詞性為非nr的詞；根據(jù)停用詞表過濾掉停用詞或非停用詞(滿足詞長大于最大長度或小于最小長度)；選取詞性為“a”，“cw”，“V”，“ j”，“ns”，“nr”，“nt”，“nz”或者包含“不”的詞；上述信息均不能區(qū)分時(shí)，選擇詞頻較大的語義單元。
[0056]為了控制分類過程中特征的維數(shù)，設(shè)定選取語義單元的上限值Θ = 200。
[0057]206:將所述獲取所述已知用戶行為特征，按照類別存儲(chǔ)在所述用戶行為的特征庫中。
[0058]如圖3所示，為本發(fā)明實(shí)施例子提供的一種微博用戶身份識(shí)別方法中更新用戶行為的特征庫的流程；該流程包括:
[0059]301:獲取所述確定用戶身份的待識(shí)別用戶的至少一個(gè)語義單元以及對應(yīng)所述用戶身份的用戶類型信息；
[0060]302:比較所述語義單元與所述用戶身份的用戶類型信息，給出所述各個(gè)語義單元與所述用戶身份的用戶類型信息的相似度；該步驟可以采用卡方統(tǒng)計(jì)方法，計(jì)算語義單元與用戶類別的卡方值，通過所述獲取的卡方值來評(píng)價(jià)相關(guān)性。
[0061]303:按照所述相似度由大到小的順序，對所述語義單元進(jìn)行排序；
[0062]304:獲取相似度前top-n個(gè)語義單元作為該類型用戶的行為特征；
[0063]305:將所述用戶的行為特征添加到所述用戶行為的特征庫的對應(yīng)類別中。
[0064]需要說明的是，以上所述的實(shí)施例子中所述行為特征至少包括一個(gè)語義單元；所述語義單元屬性信息如圖6所示，至少包括:索引值，字符信息，詞性，詞頻和文檔頻率；所述語義單元至少包括一個(gè)詞；所述詞的屬性信息包括:詞的索引，詞頻，文檔頻率，IDF值，權(quán)值。
[0065]所述預(yù)處理步驟主要包括:行為數(shù)據(jù)篩選、拼寫糾正、分詞和詞性標(biāo)注。
[0066] 如圖4所示，為本發(fā)明實(shí)施例子提供的一種微博用戶身份識(shí)別系統(tǒng)，該系統(tǒng)包括:[0067]信息獲取單元401，用于獲取待識(shí)別用戶行為數(shù)據(jù)以及用戶行為的特征庫信息；
[0068]預(yù)處理單元402，用于預(yù)處理所述獲取的待識(shí)別用戶行為數(shù)據(jù)；
[0069]語義單元重構(gòu)單元403，用于將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)；
[0070]屬性及權(quán)重信息獲取單元404，還用于獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；
[0071]行為特征抽取單元405，用于根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述待識(shí)別用戶行為特征；
[0072]比較單元406，用于將所述待識(shí)別用戶行為特征與用戶行為的特征庫信息中的每個(gè)特征類型進(jìn)行比較；
[0073]身份確定單元407，用于當(dāng)所述待識(shí)別用戶行為特征與所述用戶行為的特征庫信息中的一個(gè)特征類型的相似度超過預(yù)設(shè)閾值，則所述待識(shí)別用戶身份確定。
[0074]需要說明的是，如圖5所示，該系統(tǒng)還包括:用戶行為的特征庫構(gòu)建單元501和/或信息反饋單元502 ；
[0075]所述用戶行為的特征庫構(gòu)建單元501，用于獲取已知用戶行為數(shù)據(jù)；預(yù)處理所述獲取已知用戶行為數(shù)據(jù)；將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)；獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述已知用戶行為特征；將所述獲取所述已知用戶行為特征，按照類別存儲(chǔ)在所述用戶行為的特征庫中。
[0076]所述信息反饋單元502，用于獲取所述確定用戶身份的待識(shí)別用戶的至少一個(gè)語義單元以及對應(yīng)所述用戶身份的用戶類型信息；比較所述語義單元與所述用戶身份的用戶類型信息，給出所述各個(gè)語義單元與所述用戶身份的用戶類型信息的相似度；按照所述相似度由大到小的順序，對所述語義單元進(jìn)行排序；獲取相似度前top-n個(gè)語義單元作為該類型用戶的行為特征；將所述用戶的行為特征添加到所述用戶行為的特征庫的對應(yīng)類別中。
[0077]以上所述行為特征至少包括一個(gè)語義單元；所述語義單元屬性信息至少包括:索引值，字符信息，詞性，詞頻和文檔頻率；所述語義單元至少包括一個(gè)詞；所述詞的屬性信息包括:詞的索引，詞頻，文檔頻率，IDF值，權(quán)值。
[0078]所述預(yù)處理步驟主要包括:行為數(shù)據(jù)篩選、拼寫糾正、分詞和詞性標(biāo)注。
[0079]本發(fā)明提供的微博用戶身份識(shí)別方法及系統(tǒng)，通過獲取待識(shí)別用戶行為數(shù)據(jù)以及用戶行為的特征庫信息；預(yù)處理所述獲取的待識(shí)別用戶行為數(shù)據(jù)；將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)；獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述待識(shí)別用戶行為特征；將所述待識(shí)別用戶行為特征與用戶行為的特征庫信息中的每個(gè)特征類型進(jìn)行比較；當(dāng)所述待識(shí)別用戶行為特征與所述用戶行為的特征庫信息中的一個(gè)特征類型的相似度超過預(yù)設(shè)閾值，則所述待識(shí)別用戶身份確定。采用本發(fā)明提供的微博用戶身份識(shí)別方法及系統(tǒng)可以有效提高微薄用戶身份識(shí)別的準(zhǔn)確性及實(shí)時(shí)性。
[0080]本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，包括如下步驟:(方法的步驟)，所述的存儲(chǔ)介質(zhì)，如:ROM/RAM、磁碟、光盤
坐寸O
[0081]以上所述，僅為本發(fā)明的【具體實(shí)施方式】，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉本【技術(shù)領(lǐng)域】的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng)以所述權(quán)利要求的保護(hù)范圍為準(zhǔn)。
【權(quán)利要求】
1.一種微博用戶身份識(shí)別方法，其特征在于，包括: 獲取待識(shí)別用戶行為數(shù)據(jù)以及用戶行為的特征庫信息； 預(yù)處理所述獲取的待識(shí)別用戶行為數(shù)據(jù)； 將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)； 獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重； 根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述待識(shí)別用戶行為特征；將所述待識(shí)別用戶行為特征與用戶行為的特征庫信息中的每個(gè)特征類型進(jìn)行比較；當(dāng)所述待識(shí)別用戶行為特征與所述用戶行為的特征庫信息中的一個(gè)特征類型的相似度超過預(yù)設(shè)閾值，則所述待識(shí)別用戶身份確定。
2.根據(jù)權(quán)利要求1所述的微博用戶身份識(shí)別方法，其特征在于，在獲取待識(shí)別用戶行為數(shù)據(jù)以及用戶行為的特征庫信息的步驟之前，該方法還包括: 獲取已知用戶行為數(shù)據(jù)； 預(yù)處理所述獲取已知用戶行為數(shù)據(jù)； 將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)； 獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重； 根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述已知用戶行為特征； 將所述獲取所述已知用戶行為特征，按照類別存儲(chǔ)在所述用戶行為的特征庫中。
3.根據(jù)權(quán)利要求1或2所述的微博用戶身份識(shí)別方法，其特征在于，在所述待識(shí)別用戶身份確定之后，該方法還包括: 獲取所述確定用戶身份的待識(shí)別用戶的至少一個(gè)語義單元以及對應(yīng)所述用戶身份的用戶類型信息； 比較所述語義單元與所述用戶身份的用戶類型信息，給出所述各個(gè)語義單元與所述用戶身份的用戶類型信息的相似度； 按照所述相似度由大到小的順序，對所述語義單元進(jìn)行排序； 獲取相似度前top-n個(gè)語義單元作為該類型用戶的行為特征； 將所述用戶的行為特征添加到所述用戶行為的特征庫的對應(yīng)類別中。
4.根據(jù)權(quán)利要求3所述的微博用戶身份識(shí)別方法，其特征在于，所述行為特征至少包括一個(gè)語義單元；所述語義單元屬性信息至少包括:索引值，字符信息，詞性，詞頻和文檔頻率；所述語義單元至少包括一個(gè)詞；所述詞的屬性信息包括:詞的索引，詞頻，文檔頻率，IDF值，權(quán)值。
5.根據(jù)權(quán)利要求4所述的微博用戶身份識(shí)別方法，其特征在于，所述預(yù)處理步驟主要包括:行為數(shù)據(jù)篩選、拼寫糾正、分詞和詞性標(biāo)注。
6.一種微博用戶身份識(shí)別系統(tǒng)，其特征在于，包括: 信息獲取單元，用于獲取待識(shí)別用戶行為數(shù)據(jù)以及用戶行為的特征庫信息； 預(yù)處理單元，用于預(yù)處理所述獲取的待識(shí)別用戶行為數(shù)據(jù)； 語義單元重構(gòu)單元，用于將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)； 屬性及權(quán)重信息獲取單元，還用于獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；行為特征抽取單元，用于根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述待識(shí)別用戶行為特征；比較單元，用于將所述待識(shí)別用戶行為特征與用戶行為的特征庫信息中的每個(gè)特征類型進(jìn)行比較； 身份確定單元，用于當(dāng)所述待識(shí)別用戶行為特征與所述用戶行為的特征庫信息中的一個(gè)特征類型的相似度超過預(yù)設(shè)閾值，則所述待識(shí)別用戶身份確定。
7.根據(jù)權(quán)利要求6所述的微博用戶身份識(shí)別系統(tǒng)，其特征在于，該系統(tǒng)還包括:用戶行為的特征庫構(gòu)建單元，用于獲取已知用戶行為數(shù)據(jù)；預(yù)處理所述獲取已知用戶行為數(shù)據(jù)；將所述預(yù)處理后的用戶行為數(shù)據(jù)，進(jìn)行語義單元重構(gòu)；獲取所述語義單元的屬性信息以及其對應(yīng)的權(quán)重；根據(jù)所述語義單元的屬性信息以及其對應(yīng)的權(quán)重，獲取所述已知用戶行為特征；將所述獲取所述已知用戶行為特征，按照類別存儲(chǔ)在所述用戶行為的特征庫中。
8.根據(jù)權(quán)利要求6或7所述的微博用戶身份識(shí)別系統(tǒng)，其特征在于，該系統(tǒng)還包括:信息反饋單元，用于獲取所述確定用戶身份的待識(shí)別用戶的至少一個(gè)語義單元以及對應(yīng)所述用戶身份的用戶類型信息；比較所述語義單元與所述用戶身份的用戶類型信息，給出所述各個(gè)語義單元與所述用戶身份的用戶類型信息的相似度；按照所述相似度由大到小的順序，對所述語義單元進(jìn)行排序；獲取相似度前top-n個(gè)語義單元作為該類型用戶的行為特征；將所述用戶的行為特征添加到所述用戶行為的特征庫的對應(yīng)類別中。
9.根據(jù)權(quán)利要求8所述的微博用戶身份識(shí)別系統(tǒng)，其特征在于，所述行為特征至少包括一個(gè)語義單元；所述語義單元屬性信息至少包括:索引值，字符信息，詞性，詞頻和文檔頻率；所述語義單元至少包括一個(gè)詞；所述詞的屬性信息包括:詞的索引，詞頻，文檔頻率，IDF值，權(quán)值。
10.根據(jù)權(quán)利要求4所述的微博用戶身份識(shí)別系統(tǒng)，其特征在于，所述預(yù)處理步驟主要包括:行為數(shù)據(jù)篩選、拼寫糾正、分詞和詞性標(biāo)注。
【文檔編號(hào)】G06F21/31GK103914494SQ201310008156
【公開日】2014年7月9日 申請日期:2013年1月9日 優(yōu)先權(quán)日:2013年1月9日
【發(fā)明者】趙立永, 于曉明, 楊建武, 鄭妍 申請人:北大方正集團(tuán)有限公司, 北京大學(xué), 北京北大方正電子有限公司