基于话题标签的微博主题挖掘

李 敬，印 鉴，刘少鹏，潘雅丽

(中山大学信息科学与技术学院计算机科学系，广州510006)

1 概述

微博是一种新兴的社交网络服务，用户可以通过登录微博客户端来发布短文本消息，同时可以附带链接、图片和视频等多媒体资源，与好友进行信息的及时分享。海量微博数据蕴含着丰富的信息，从中挖掘出有效的微博主题，对信息提取与用户分析具有重要意义。

微博与传统文本(新闻、论文等)不同，作为短文本消息，微博中词项的共现信息匮乏，并且没有特定的语法结构，因此简单地套用传统文本主题挖掘的方法很难挖掘有用的微博主题［1］。针对微博的稀疏性和非结构化特点，近年来学者在研究潜在狄利克雷分布(Latent Dirichlet Allocation，LDA)［2］的基础上引入联系人的关系［3］、新闻链接［4］和时间信息［5］等外部信息来挖掘微博主题，并取得了较好成效。研究结果表明，微博本身隐含的用户信息与社交网络信息可以促进微博主题挖掘。然而目前研究并没有明确地从用户兴趣、用户互动和话题微博3种微博类型上将微博主题进行划分，无法同时挖掘出不同微博类型下的主题分布。

本文结合用户兴趣、会话标签(@)、转发标签(RT@)和话题标签(含有#hashtag)，对不同微博类型进行主题划分分析，提出一个新的在微博平台下适用的话题标签主题模型HC-ATM(Hash Tag Conversation Author Topic Model)，并给出与 HCATM相对应的Gibbs抽样推导结果。

2 相关工作

主题模型是近年来在文本挖掘领域最受关注的方法之一，是一种概率生成模型，它常被用于挖掘大规模文档集的潜在主题。……