一种面向微博用户的标签推荐方法

标签推荐方法。
关 键 词 ：微博；特征分析；标签源；标签推荐
中图分类号：TP391．1
文献标识码： A
文章编号：2095－2163（2011）03－0021－06
A Tag Recommendation Method for Microblog Users
CHEN Yuan, LIN Lei, SUN Chengjie, LIU Bingquan （School of Computer Science and Technology, Harbin Institute of Technology, Harbin 150001, China）
1．3 微博信息 微博信息的组织方式比较复杂，是嵌套式的。 与用户信
息 一 样 ，微 博 信 息 也 有 唯 一 标 识 符 ，微 博 ID，用 于 数 据 的 管 理 ，新 浪 微 博 中 该 ID 是 连 续 增 长 的 ，即 微 博 ID 与 微 博 发 布 时 间 是 正 相 关 的 ，Cheong[1]在 分 析 twitter[2－7]平 台 上 的 微 博 数 据 时 就 使 用 过 该 特 性 ，用 微 博 ID 做 特 殊 的 时 间 标 注 。 从 新 浪 微 博 的 微 博 ID 中 还 能 看 出 ，新 浪 微 博 的 微 博 总 数 已 经 超 过 了 100 亿 条 。
战，但却因其充分代表了微博的特点，因而具有更大的研究 价 值 。 腾 讯 微 博 比 新 浪 微 博 起 步 晚 ，虽 然 腾 讯 利 用 自 身 QQ 用户群体庞大的优势，迅速占据了微博的一大片市场，但新 浪微博似乎显得更为纯粹， 而且新浪微博开放平台提供的 API 比 腾 讯 微 博 开 放 平 台 提 供 的 API 更 完 善 ， 更 利 于 抽 取 数据以做进一步的研究工作。 基于以上的原因，本文选择的 研究对象为新浪微博。
用户信息主要包括三类：唯一标识信息、基本描述信息 和 活 动 信 息 。 用 户 UID 和 微 博 昵 称 是 一 一 对 应 的 ，都 唯 一 标 识 了 一 个 用 户 。 用 户 UID 用 于 后 台 数 据 管 理 ，在 新 浪 微 博 中 是 一 个 随 机 生 成 的 10 位 数 字 。 微 博 昵 称 用 于 用 户 交 流 ，可 以是用户真实姓名，也可以是个性化的称呼。 地址、个人描 述、用户标签和性别属于用户的基本描述信息，显式地表现 了用户的特征，其中，用户标签和个人描述对用户特征的刻 画最直接。 粉丝数、关注数、微博数、创建时间和微博认证是 用户的活动信息，间接表现了用户的各种特征，如影响力、
Abstract: The paper first makes a comprehensive analysis for the information of domestic microblog platforms, then introduces the definition of microblog information, points out which part of the complicated microblog information is more important, what is included in the information and how the information is organized. After that, it chooses Sina Microblog for study and designs a crawler by using its API to collect a large number of user information. Furthermore, the paper makes a quantitative analysis of user information by using the number of user's friends, fans and microblogs. At last, the paper puts forward different tag recommendation strategies for different user groups by using the result of analysis. Key words: Microblog; Feature Analysis; Tag Source; Tag Recommendation
图 4 显示的是关注人数很少， 而粉丝数较多的用户按 照发布的微博数量产生的统计结果。 该类用户的数量为 8 213 位 ，占 数 据 集 总 人 数 的 1．78％，比 例 很 小 。 该 用 户 群 体 的 一个明显特征是大部分用户微博数较多， 发布微博数在 100 条 以 上 的 用 户 占 该 群 体 的 52．3％，查 看 这 部 分 用 户 信 息 后发现这些用户主要是一些信息发布源，包括广告、生活小 常 识 和 笑 话 等 ，典 型 的 用 户 有 “免 费 打 折 大 全 ”、“全 球 潮 流 风尚”、“幽默基地”等。
发布微博的数量反映了微博用户的活跃程度， 因此本 文主要以用户发布微博的数量作为对用户进行特征分析的 依据。 图 3 显示的是关注人数和粉丝数均很少的用户按照 发布的微博数量产生的统计结果。 这里选取的阈值是 5，即 关注人数或粉丝数小于 5 则称为很少， 下面的分析中出现 的关注人数很少或粉丝数很少均使用该定义。 在数据集中 关 注 人 数 和 粉 丝 数 均 很 少 的 用 户 数 量 为 22 848， 占 总 数 的 4．95％。 该 用 户 群 中 发 布 的 微 博 总 数 在 10 条 以 下 的 用 户 数 为 14 201，占 该 用 户 群 的 62．2％，占 总 数 的 3．08％。 如 果 将 关 注 人 数 和 粉 丝 数 均 小 于 5，且 发 布 的 微 博 数 小 于 10 的 用 户称为极不活跃用户的话，那么根据以上分析，再考虑不活 跃用户数据更难被抽取， 可以估算出新浪微博极不活跃用 户数量在 3％以上。
1 微博信息的特点
1．1 国内微博平台分析 到目前为止，国内四大门户网站新浪、腾讯、网易、搜狐
均推出了自己的微博服务，虽然还有很多其力和规模上来看， 都远不如上述四大门户网站的 微博平台， 尤其是新浪微博和腾讯微博， 其用户数量早在 2011 年 年 初 就 均 已 过 亿 ，是 国 内 微 博 的 领 跑 者 。 新 浪 微 博 和腾讯微博一个很大的特点就是规模庞大， 其使用者几乎 覆盖了所有年龄段、所有行业的人群，话题覆盖面广，信息 量大， 同时也十分杂乱， 对其研究者而言是一个巨大的挑
第1卷 第3期 2011 年 10 月
智能计算机与应用 INTELLIGENT COMPUTER AND APPLICATIONS
Vol． 1 No． 3 Oct． 2011
一种面向微博用户的标签推荐方法
陈 渊, 林 磊, 孙承杰, 刘秉权
（哈尔滨工业大学 计算机科学与技术学院，哈尔滨 150001）
在网页上显示的微博创建时间可分为相对时间和绝对 时间。 对于距当前时刻较远的时刻，如几天以前则显示绝对 时 间 “XX 年 XX 月 XX 日 XX”； 对 于 距 当 前 时 刻 较 近 的 时
2 用户特征分析
2．1 数据集选取 面对新浪微博庞大的用户群体， 需要根据不同类型用
户 的 特 征 选 择 不 同 的 标 签 推 荐[8－10]方 法 ，因 此 首 先 需 要 随 机 抽取大量的用户信息，分析其特征。 为了达到随机抽取用户 信息的目的，需要设计一个爬虫程序。 该爬虫程序利用新浪 微 博 API 实 现 ，数 据 的 抽 取 方 式 为 ：首 先 获 取 实 时 的 公 共 微 博 ， 提 取 微 博 发 布 者 的 用 户 ID， 根 据 该 ID 获 取 用 户 信 息 ， 主要包括用户的关注人数、粉丝数和发布的微博数等。 本次
的信息，体现了大多数人使用微博获取信息的特点。
在关注人数和粉丝数均很少的用户群中还存在一些发 布 微 博 较 多 的 用 户 ，从 图 3 中 可 以 看 出 ，发 布 微 博 数 在 100 条 以 上 用 户 数 为 1 776，只 占 总 数 的 约 0．4％。 通 过 查 看 该 类 用户的微博信息， 发现这类用户主要将微博当做一种记事 或者写心情等的工具， 而不同于大多数用户对微博的理解 和使用。
0 引言
微博的诞生和飞速发展给互联网用户的生活带来了巨 大的影响，因其以新颖的表现形式出现在用户面前，吸引了 大量的用户群体，蕴含着巨大的商业价值和研究价值。 近两 年 内 ，国 内 微 博 发 展 速 度 惊 人 ，根 据 2011 年 5 月 举 行 的 首 届中国微博大会公布的数据， 中国活跃微博用户数量已经 达 到 2．2－2．4 亿 。 庞 大 的 用 户 群 体 同 时 也 产 生 了 海 量 的 信 息，对相关的信息处理和研究提出了挑战。 标签是微博上提 供的用户描述方式， 是进行微博好友推荐和微博信息推荐 的基础。 但是大多数用户不愿意花时间自己给自己打标签。 本文对国内微博平台的信息特点和用户特征进行了初步分 析， 并在此基础了提出了针对属于不同用户群体的微博用 户的标签推荐方法。
第3期
陈渊，等：一种面向微博用户的标签推荐方法
· 23 ·
数 据抽取时间段为 2011－05－23 至 2011－05－27， 每 间 隔 30 秒 从 公 共 微 博 抽 取 一 次 微 博 数 据 ， 设 置 为 每 次 抽 取 100 条 （实 际 有 时 可 能 不 足 100 条 ），从 而 获 取 100 位 用 户 信 息 ，在 大 约 四 天 的 时 间 段 内 获 取 的 总 用 户 数 量 为 461 249 位 。 2．2 用户特征分析
摘 要 ：首先对国内微博平台的信息进行了综合分析，主要介绍了微博信息的定义，在错综复杂的微博信息中哪些信息比较重要，以及这
Hale Waihona Puke 些微博信息包含哪些详细的内容，是如何组织的。然后选取新浪微博平台作为研究对象，利用新浪微博 API 设计了爬虫程序，抽取用户信息；