一种融合聚类和时间信息的微博排序新方法

卫冰洁，史 亮，王 斌

(1. 中国科学院 计算技术研究所，北京 100190；2. 中国科学院 信息工程研究所，北京 100093；3. 国家计算机网络应急技术处理协调中心，北京 100029)



一种融合聚类和时间信息的微博排序新方法

卫冰洁1,3，史 亮3，王 斌2

(1. 中国科学院 计算技术研究所，北京 100190；2. 中国科学院 信息工程研究所，北京 100093；3. 国家计算机网络应急技术处理协调中心，北京 100029)

随着微博的快速发展，微博检索已经成为近年来研究领域的热点之一。微博检索与传统文本检索在两个方面明显不同： 一是微博具有自己的特点，表现在文本短和内容中具有主题概括词(称为Hashtag)；二是微博排序中除了考虑文本和语义相似度，还需考虑时间信息。根据这两点区别，该文在统计语言模型的基础上，使用聚类进行文本扩展，并将Hashtag信息运用到聚类过程中。同时，因为微博数据集中具有Hashtag的微博个数不超过13%，针对这一现象，该文还提出了一种扩展微博Hashtag的方法，最终提出了基于聚类的三个模型。然后通过定义文档先验将时间信息加入到提出的三个检索模型中，得到融入聚类和时间信息的三个模型。最后基于TREC Microblog数据的实验结果证明，融合聚类信息和时间信息的模型在MAP和P@30上有明显提高，分别提高7.1%和11.6%。

微博检索；Hashtag；聚类；时间；语言模型

1 引言

微博，即微型博客(Microblog)，是区别于传统博客的一种互联网产品。用户通过网络、客户端等即时发布信息，通常要求文本字数不超过140个字，用户也可以获取他人发布的信息，实现信息的共享。……