基于文本挖掘的文章特征提取及流量控制

文/曾颖 李志涛 周燕

（华南农业大学 广东省广州市 510642）

随着社交网络的发展和人们上网偏好的改变，过半的成年国民都进行微信阅读，微信公众号逐渐成为重要的媒体平台之一。一个公众号基本有着相对固定的风格和目标人群，不同人群也代表着不同的阅读偏好。而就在微信公众号“咪蒙”关闭前，就被指出其文章内容越是煽动情绪、发泄仇恨，传播力就越强。“咪蒙”的作者也曾表示，涉及到热点、金钱、性、暴力的文章阅读量高。说明公众号若能够抓住关注者的阅读偏好，并生产阅读偏好下用户最可能喜闻乐见的内容，则应当对其阅读量的提升存在一定作用。于是，本文在文本数据挖掘的基础上，以提取到的篇幅、主题、风格等文章特征为变量，建立流量预测模型。旨在确认影响媒体阅读量的因素，并找到一套可复制的自媒体大数据研究方案，实现文本数据挖掘技术的延伸、传播学自媒体研究的拓展。

1 文本挖掘技术、特征工程和预测模型的建立

本文文本数据挖掘主要利用Python的requests+BeautifulSoup +Charles，且需要通过不断变化的pass_ticket、key和uin来进行反爬虫机制，获得文章阅读量和点赞量的实时动态数据。

特征工程是指将原始数据转换成更可能表现预测模型的潜在问题的特征的过程。本研究所使用四个维度，即文章的标题、发布时间、内容和阅读量。文章阅读量作为本研究预测模型的目标变量，而文章标题、文章发布时间、文章内容可通过多种方式提取特征，转换出更多自变量。……