林春教學(xué)提綱

林春2012.08.30FindingquestionmicroblogpostandrecommendanswersforitBackgroundMicroblogrevolutionChangesurfinghabitofInternet:usersfirstloginingmicroblogreach20%MaketheweblikearealsocialworldCharacteristicsofmicroblogdataMassiveuser-generatedcontent(containrareinformation)Complexandunderlyingrelationships(authorityuserorexpert)FastInformationpropagation(getfirst-handinformationabouthottopic)ChangesofinformationseekingapproachAskingquestioninsocialnetworkbecomeapopularform.這幾天海鮮吃多了，上火了，臉上冒痘痘了，嗚嗚…怎么辦？

MissionofmicroblogminingIdentifyingwhetheronepoststatessomethingbothersomeinstantlyandrecommendingasolutionorananswerforit.UnderlyingdemandIdentifyValuablesolutionRecommend1Copyright2012FUJITSUR&DCENTERCO.,LTDOurworkDemandIdentificationContentrecommendationUserrecommendationidentifythepostexpressingsomethingbothersomeoraskingforinformationcontent-basedmodel:topic&setimentdetectionclassifier-basedmodel:featureextraction&classifyrecommendlatestorexactcontentfromwebormicroblogmicroblogre-ranktogetbestanswercontent-based&collaborative

recommendationrecommendauthoritativeandinteresteduserauthoritativeuser:content-basedrecommendationinteresteduser:collaborativefilteringrecommendationCopyright2012FUJITSUR&DCENTERCO.,LTD什么是問題微博?首先必須滿足是原創(chuàng)微博，其次滿足以下條件之一：1.微博內(nèi)容明確提出問題或詢問建議，對于此類微博，如果其所提出的問題是客觀的，可以回答，則認(rèn)為是可推薦微博。問題的客觀性是指其答案比較統(tǒng)一，導(dǎo)致問題的原因比較普遍和客觀。如：“上火了，怎么辦？”上火是普遍現(xiàn)象，可以為其推薦解決方法；而微博“社會，還真TMD有不要臉的，打壞了人，還不賠錢！我該怎么辦，才可以讓媽媽不上火”指明導(dǎo)致問題的原因是社會不公現(xiàn)象導(dǎo)致，因主觀性較強(qiáng)，所以不為其做推薦。2.微博內(nèi)容是陳述形式，陳述的內(nèi)容不是記錄型（記錄完成某件事情）、評價型的（對某種現(xiàn)象的看法），分析內(nèi)容的側(cè)重點，如果其陳述的重點是將要或最近發(fā)生的事，且陳述的事實具有客觀性和普遍性（客觀性描述與1相同），并且該事實困擾著用戶，還沒有有效的解決方法或好的建議。例子心若閑，事多人忙心不忙；心不閑，事少心忙人不忙。（非問題微博）天氣干燥，嘴唇上火起泡，怎么辦？（問題微博）Copyright2012FUJITSUR&DCENTERCO.,LTD數(shù)據(jù)集數(shù)據(jù)集是從新浪微博中抓取，其中正例微博是通過關(guān)鍵字搜索，再進(jìn)行人工標(biāo)注得到，負(fù)例微博是從微博中隨機(jī)抓取得到。訓(xùn)練集有6426條微博，正例662條，負(fù)例5764條，其中正例涉及的主題有：“胃好疼難受”、“頭昏喉嚨痛”、“脖子疼”、“牙疼”、“熬夜傷不起”等。測試集有3753條微博，正例302條，負(fù)例3453條，其中正例涉及主題有：“上火怎么辦”、“油滴到衣服上”、“眼袋好重”、“紐曼怎么樣”、“自動關(guān)機(jī)自動重啟”、“佳能多少錢”、“父親節(jié)送什么”、“快速消腫”等。Copyright2012FUJITSUR&DCENTERCO.,LTD系統(tǒng)實現(xiàn)原理本系統(tǒng)分為兩大模塊：問題微博識別模塊和答案推薦模塊。問題微博識別模塊采用SVM分類器，提取微博4種不同的特征：情感特征（emotion）、事件特征（event）、詞語情感特征（percent）以及外部特征（external），分類器在不同的特征實例集上訓(xùn)練模型，預(yù)測時，加載各種模型，采用投票方式得到最終類別。答案推薦模塊：分別從web和weibo中獲取相關(guān)內(nèi)容推薦給用戶。web推薦是將去除表情信息的微博作為查詢，在百度知道中搜索，然后對其結(jié)果重新計算相似度，將最相關(guān)問題的答案返回給用戶。weibo推薦是提取微博的關(guān)鍵字將其作為查詢主題，在新浪微博中搜索，并對檢索結(jié)果重排序，將前5條微博作為推薦內(nèi)容。Copyright2012FUJITSUR&DCENTERCO.,LTD微博識別特征提取內(nèi)部特征表情特征、事件特征、關(guān)鍵詞情感特征外部特征知道特征、百科特征、微博特征分類使用SVM分類器進(jìn)行分類集成預(yù)測對內(nèi)部特征的預(yù)測結(jié)果進(jìn)行相對投票結(jié)合相對投票結(jié)果與外部特征結(jié)果做絕對投票Copyright2012FUJITSUR&DCENTERCO.,LTD內(nèi)部特征表情特征提?。╡motion特征）輸入：微博和悲觀表情文檔處理：判斷微博是否含有悲觀表情輸出：含有，則返回1；否則，返回0事件特征提?。╡vent特征）輸入：微博處理：分詞和詞性標(biāo)注，判斷是否含有詞性為t(時間)，nr(人名)，ns(地名)，nt(機(jī)構(gòu))的詞輸出：四個二值數(shù)字（由0或1組成），如果包含以上詞性，則返回1，否則，返回0.關(guān)鍵詞情感特征提?。╬ercent特征）輸入：訓(xùn)練集和微博處理：1）將訓(xùn)練集根據(jù)表情符號分為3個部分：包含正面表情微博，包含負(fù)面表情微博和不包含表情微博。然后對其分詞并統(tǒng)計各集合單詞詞頻。2）對于輸入的微博，將其分詞和詞性標(biāo)注，提取詞性為v，n，a，vn的詞作為關(guān)鍵詞，取其在（1）中提到的3個集合中出現(xiàn)的詞頻，并歸一化，則單詞w會返回三個值neg_ratio、pos_ratio、neu_ratio，整體微博的關(guān)鍵詞情感特征即為其比值之和。輸出：返回neg_ratio/pos_ratio和neg_ratio/neu_ratioCopyright2012FUJITSUR&DCENTERCO.,LTD外部特征：知道特征輸入：整體微博信息（去除表情符號）處理：（1）將整體微博輸入百度知道搜索，提取搜索結(jié)果第一個頁面的所有問題，然后對其進(jìn)行分詞和詞性標(biāo)注，去除詞性為w（標(biāo)點符號）、r（代詞）、u（助詞）和沒有被標(biāo)注的詞，統(tǒng)計剩余單詞的詞頻，均值化（除以問題個數(shù)），并排序，得到問題單詞列表（QuestionWordList）。（2）對微博分詞和詞性標(biāo)注，去除詞性為w、r、u和沒有被標(biāo)注的詞，得到微博單詞列表（PostWordList），其中每個單詞詞頻為1；計算其長度L，從QuestionWordList中獲取topL個單詞，然后計算PostWordList與其之間的余弦距離。輸出：余弦距離：浮點型Copyright2012FUJITSUR&DCENTERCO.,LTD外部特征：百科特征首先根據(jù)百科開放分類爬取其下的詞條，最終保存詞條及其上層類別（第一層類別或第二層類別）。如：詞條：魚香肉絲→烹飪→飲食→生活（目前只劃分到“飲食”那一層的類別），則烹飪是第二層類別，飲食是第一層類別。輸入：微博處理：1）統(tǒng)計其含悲觀表情的個數(shù)，保存為e_count；

2）然后將其去除后，分詞和詞性標(biāo)注，獲取詞性為n（名詞）、vn（名動詞）、v（動詞）、a（形容詞）的詞，將其作為關(guān)鍵詞，統(tǒng)計其個數(shù)key_count，并獲取其對應(yīng)的主題類別。則統(tǒng)計主題類別的數(shù)目topic_count和可以找到主題的關(guān)鍵詞數(shù)目topic_key_count.；3）最后根據(jù)已有的疑問詞列表，提取微博包含的疑問詞個數(shù)r_count.4）最后根據(jù)以下公式，為微博打分。微博統(tǒng)計包含的

輸出：處理過程得到的value值Copyright2012FUJITSUR&DCENTERCO.,LTD外部特征：微博特征輸入：微博處理：1）去除表情符號，分詞，詞性標(biāo)注，如果其長度小于等于5，則將具有詞性標(biāo)注的詞作為關(guān)鍵詞；否則，提取詞性為n，vn，v的詞，按照規(guī)則v+n,v+v,v+vn,n+v,n+n,n+nv及其組合提取關(guān)鍵詞。2）將每個關(guān)鍵詞作為輸入，在微博搜索中檢索結(jié)果，獲取前10個頁面的微博。返回的結(jié)果包括微博ID、微博內(nèi)容、發(fā)送微博博主的分?jǐn)?shù)，是否轉(zhuǎn)發(fā)等。3）統(tǒng)計微博中轉(zhuǎn)發(fā)條數(shù)比例（RT_ratio），名人微博比例（celeb_ratio)，樂觀微博比例（Positive_ratio)，悲觀微博比例（Negative_ratio)，URL微博比例（URL_ratio）。4）每條微博的這5個信息量則是取關(guān)鍵詞信息量的平均值輸出：RT_ratio,celeb_ratio,Positive_ratio,Negative_ratio,URL_ratioCopyright2012FUJITSUR&DCENTERCO.,LTD分類器訓(xùn)練SVM分類器，其參數(shù)設(shè)置為“-S0-K2-D3-G0.16-R0.0-N0.5-M40.0-C1.0-E0.0010-P0.1”。訓(xùn)練集中存在正負(fù)實例不平衡現(xiàn)象，通過多倍復(fù)制正例使得訓(xùn)練集中正例、負(fù)例條數(shù)均衡來避免。Copyright2012FUJITSUR&DCENTERCO.,LTD答案推薦答案推薦包含兩部分：基于web推薦和基于weibo推薦基于web推薦將除去表情符號的微博內(nèi)容作為查詢在百度知道中搜索，返回的第一個頁面中的所有問題及其對應(yīng)的第一個答案最為web返回的相關(guān)內(nèi)容返回。具體流程圖如下：Copyright2012FUJITSUR&DCENTERCO.,LTD基于weibo推薦目的：將微博搜索結(jié)果中最相關(guān)且信息量最大的微博內(nèi)容返回。具體策略：（1）獲取查詢詞首先，將除去表情符號的微博內(nèi)容作為查詢在百度知道中搜索，得到第一個頁面中的所有問題集合，然后計算集合中所有詞的詞頻并排序。其次，對微博內(nèi)容分詞，標(biāo)注詞性，取出詞性為n，v，a，vn的詞作為關(guān)鍵詞，然后根據(jù)上一步得到的詞頻序列對候選關(guān)鍵詞排序，最多取前5個詞作為查詢詞。（2）微博搜索結(jié)果排序?qū)⒉樵冊~在微博搜索中進(jìn)行搜索，取結(jié)果中的所有微博內(nèi)容，對每條微博內(nèi)容提取特征，打分，然后根據(jù)分?jǐn)?shù)進(jìn)行排序，取top5條微博結(jié)果最為推薦內(nèi)容返回。Copyright2012FUJITSUR&DCENTERCO.,LTD實驗結(jié)果分析問題微博識別根據(jù)以上介紹的分類器方法，微博識別精度為0.6822034，召回率0.52960527，其中關(guān)于健康類的微博其識別率相比其他類別高。其可能原因與訓(xùn)練集有關(guān)，訓(xùn)練集中正例包含的主題大部分是關(guān)于健康類別。答案推薦目前，基于百度知道返回的答案推薦結(jié)果要比基于微博搜索的推薦好，其主要原始是用于微博搜索的關(guān)鍵詞不能