基于语义共现图的中文微博新闻话题识别

王路路，郑涛，程倩倩，姬东鸿

武汉大学计算机学院，武汉 430072

基于语义共现图的中文微博新闻话题识别

王路路，郑涛，程倩倩，姬东鸿

武汉大学计算机学院，武汉 430072

提出一种在大规模微博短文本数据集中自动发现新闻话题的方法。该方法在微博数据预处理之后，综合TF-IDF、文档频率增长率和命名实体识别等几个因素抽取微博数据中的主题词。根据主题词之间的语义关系来构建主题词的语义共现图，计算出语义共现图的连通子图，把每个不连通的簇集看成一个新闻话题。在新浪微博数据集上进行实验，实现了对微博中新闻话题的识别。该方法能较好检测出当前时间的热门话题，能够在一定程度上有效地避免错误传播，实验结果验证了该方法的有效性。

微博；主题词；语义共现图；新闻话题识别

1 引言

微博客（微博）是一个基于用户关系的信息分享、传播及其获取平台。用户可以通过Web、Wap以及各种客户端组建个人社区，以140字左右的文字更新信息，并实现及时分享。随着互联网的快速发展，微博改变了人们获取信息的方式，能够让普通网民更快更准确地了解当前的社会动态。如何从海量微博数据中检测出当前的热门新闻话题，对于舆情监控、民意调查、行业调研等都有着十分重要的意义。

微博具有传播快、数量大、语言简练等特点，对舆情分析提出了更高的要求。如何对微博文本进行分析、聚类，是发现热点话题的关键，很多研究者在这方面做了尝试：闫瑞等[1]提出了一种面向短文本的动态组合分类算法，获得了较好的准确率和召回率。……