本文關(guān)鍵詞：微博用戶的個(gè)性分類(lèi)分析

  更多相關(guān)文章： 社交網(wǎng)絡(luò) 微博 個(gè)性分類(lèi) 提升決策樹(shù) 支持向量機(jī) 貝葉斯邏輯遞歸

【摘要】：社交網(wǎng)絡(luò)給每個(gè)社會(huì)中的人提供了自由表達(dá)個(gè)人情感、觀點(diǎn)、興趣、建議等言論的平臺(tái)。用戶在這些平臺(tái)上發(fā)表的言論、所做的行為以及用戶在平臺(tái)上建立的社交圈子也給數(shù)據(jù)挖掘帶來(lái)了新的數(shù)據(jù)和機(jī)會(huì)。提出了一種利用用戶在微博上的公開(kāi)數(shù)據(jù)信息實(shí)現(xiàn)對(duì)該用戶的MBTI個(gè)性維度進(jìn)行分類(lèi)分析的方法。在該方法中,基于對(duì)用戶微博數(shù)據(jù)的分析,提出了能夠表征用戶心理和行為的文本和非文本特征,然后采用三種機(jī)器學(xué)習(xí)的分類(lèi)方法—提升決策樹(shù)、支持向量機(jī)和貝葉斯邏輯遞歸來(lái)對(duì)微博用戶的個(gè)性進(jìn)行分類(lèi)分析。實(shí)驗(yàn)結(jié)果表明,通過(guò)對(duì)微博數(shù)據(jù)的挖掘可以在不同MBTI個(gè)性維度上達(dá)到75%~90%的準(zhǔn)確率。
【作者單位】： 公安部第三研究所;中石化管理干部學(xué)院;
【關(guān)鍵詞】： 社交網(wǎng)絡(luò) 微博 個(gè)性分類(lèi) 提升決策樹(shù) 支持向量機(jī) 貝葉斯邏輯遞歸
【分類(lèi)號(hào)】：TP393.092;TP391.1
【正文快照】： 1引言近十年來(lái),社交網(wǎng)絡(luò)經(jīng)歷了爆炸性的增長(zhǎng),據(jù)統(tǒng)計(jì),推特(Twitter)的用戶數(shù)已超過(guò)5億,一天的數(shù)據(jù)增量大約為7TB;臉書(shū)(FaceBook)的用戶數(shù)已超過(guò)10億,一天的數(shù)據(jù)增量超過(guò)10TB。截至2012年12月底,新浪微博注冊(cè)用戶已超5億,日活躍用戶數(shù)達(dá)到4 620萬(wàn),用戶每日發(fā)博量超過(guò)1億條[1]。

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 楊緒兵,韓自存;ε不敏感的核Adaline算法及其在圖像去噪中的應(yīng)用[J];安徽工程科技學(xué)院學(xué)報(bào)(自然科學(xué)版);2003年04期

2 陶秀鳳,唐詩(shī)忠,周鳴爭(zhēng);基于支持向量機(jī)的軟測(cè)量模型及應(yīng)用[J];安徽工程科技學(xué)院學(xué)報(bào)(自然科學(xué)版);2004年02期

3 許高程;張文君;王衛(wèi)紅;;支持向量機(jī)技術(shù)在遙感影像滑坡體提取中的應(yīng)用[J];安徽農(nóng)業(yè)科學(xué);2009年06期

4 郭立萍;唐家奎;米素娟;張成雯;趙理君;;基于支持向量機(jī)遙感圖像融合分類(lèi)方法研究進(jìn)展[J];安徽農(nóng)業(yè)科學(xué);2010年17期

5 馮學(xué)軍;;最小二乘支持向量機(jī)的研究與應(yīng)用[J];安慶師范學(xué)院學(xué)報(bào)(自然科學(xué)版);2009年01期

6 鄒心遙;姚若河;;基于LSSVM的威布爾分布形狀參數(shù)估計(jì)(英文)[J];半導(dǎo)體技術(shù);2008年06期

7 鄒心遙;姚若河;;基于LSSVM的小子樣元器件壽命預(yù)測(cè)[J];半導(dǎo)體技術(shù);2011年09期

8 李卓遠(yuǎn),吳為民,王e，

本文編號(hào)：772857