专业社交媒体中的主题图谱构建方法研究——以汽车论坛为例

doi:10.3772/j.issn.1000-0135.2020.01.007

情报学报

2020, Vol. 39

Issue (1): 68-80 DOI: 10.3772/j.issn.1000-0135.2020.01.007

情报分析方法与技术

本期目录 | 过刊浏览 | 高级检索

专业社交媒体中的主题图谱构建方法研究——以汽车论坛为例

林杰, 苗润生

同济大学经济与管理学院，上海200092

A Method for Constructing Topic Map in Professional Social Media：A Case Study of Automobile Forum

Lin Jie, Miao Runsheng

School of Economics and Management, Tongji University, Shanghai 200092

摘要
图/表
参考文献
相关文章 (6)

全文: PDF (2950 KB) HTML (133 KB)
输出: BibTeX | EndNote (RIS)

摘要专业社交媒体中主题图谱的内容包括论坛中的主题及主题之间的关系，其具有挖掘专业产品创新方向、构建专业知识索引等重要应用价值。本文基于深度学习技术与文本挖掘技术，提出了专业社交媒体中的主题图谱构建方法。首先，使用专业社交媒体中的文本训练Skip-Gram模型，利用该模型的隐藏层权重与模型输出的预测结果，分别获取词语间的语义相似度与上下文关联度。其次，基于该语义相似度与上下文关联度，对已有领域种子本体词汇进行扩充，将语义相似或上下文相邻近的词汇纳入本体词汇，为主题抽取提供高质量的领域词汇。然后，基于扩充的专业本体词汇，使用结合本体词汇的LDA主题模型从专业社交媒体文本中抽取主题与主题词。最后，利用语义相似度与上下文关联度，定义关联度权重，通过图模型与谱聚类，获取主题间与主题词的关联关系与层次结构。本文使用汽车论坛语料进行主题图谱生成实验。实验结果表明，本文方法获取的主题词纯净度相比单独使用LDA模型提升了20.2%，且能够清晰合理地展现主题之间的关系。

	服务

	把本文推荐给朋友
	加入我的书架
	加入引用管理器
	E-mail Alert
	RSS
	作者相关文章
	林杰
	苗润生

关键词 ：专业社交媒体, 主题图谱, Skip-Gram模型, LDA主题模型, 图模型

收稿日期: 2019-03-25

基金资助:国家自然科学基金面上项目“社交媒体中用户创新价值度测量模型及互动创新管理方法研究”（71672128）；同济大学基本科研业务费专项资金项目“基于大数据的社交网络传播机理与模型研究”（1200219368）。

作者简介: 林杰，男，1967 年生，博士，教授，博士生导师，主要研究领域为决策支持系统、多智能代理仿真、电子商务和商务智能；苗润生，男，1991 年生，博士研究生，主要研究领域为数据挖掘与文本挖掘，E-mail：rmiao@tongji.edu.cn。

引用本文:

林杰, 苗润生. 专业社交媒体中的主题图谱构建方法研究——以汽车论坛为例[J]. 情报学报, 2020, 39(1): 68-80.
Lin Jie, Miao Runsheng. A Method for Constructing Topic Map in Professional Social Media：A Case Study of Automobile Forum. 情报学报, 2020, 39(1): 68-80.

链接本文:

https://qbxb.istic.ac.cn/CN/10.3772/j.issn.1000-0135.2020.01.007 或 https://qbxb.istic.ac.cn/CN/Y2020/V39/I1/68

1 卜曲. 品牌社区网络结构及成员互动内容研究[J]. 现代商贸工业, 2016, 37(4): 55-56.
2 韩永青, 陈卓群, 夏立新. 国内外主题图应用研究述评[J]. 图书情报知识, 2008(6): 105-109, 128.
3 Wang H C,Jhou H T,Tsai Y S. Adapting topic map and social influence to the personalized hybrid recommender system[J]. Information Sciences, 2018, in press.
4 吴婧. 试论网络论坛的文本构建特色[J]. 新闻研究导刊, 2016, 7(4): 66-67.
5 Ellouze N,Ben A M,Metais E, et al. State of the art on topic map building approaches[C]// Proceedings of the 14th International Conference on Applications of Natural Language to Information Systems. Heidelberg: Springer, 2008: 102-112.
6 Lacher M S,Decker S. RDF, topic maps, and the semantic Web[J]. Markup Languages: Theory and Practice, 2001, 3(3): 313-331.
7 Jose-Garcia A,Lopez-Arevalo I,Sosa-Sosa V. Building topic maps from relational databases[C]// Proceedings of the 9th International Conference on Electrical Engineering, Computing Science and Automatic Control. New York: IEEE, 2012: 1-6.
8 Bohm K,Heyer G,Wolff C. Topic map generation using text mining[J]. Journal of Universal Computer Science, 2002, 8(6): 623-633.
9 夏火松, 李保国, 杨培. 基于改进K-means聚类的在线新闻评论主题抽取[J]. 情报学报, 2016, 35(1): 55-65.
10 彭云, 万常选, 江腾蛟, 等. 基于语义约束 LDA 的商品特征和情感词提取[J]. 软件学报, 2017, 28(3): 676-693.
11 Roberson S,Dicheva D. Semi-automatic ontology extraction to create draft topic maps[C]// Proceedings of the 45th Annual Southeast Regional Conference. New York: ACM Press, 2007: 100-105.
12 Kasler L,Venczel Z,Varga L Z. Framework for semi-automatically generating topic maps[C]// Proceedings of the 3rd International Workshop on Text-based Information Retrieval. CEUR-WS, 2006: 24-30.
13 Dicheva D,Dichev C. TM4L: Creating and browsing educational topic maps[J]. British Journal of Educational Technology, 2006, 37(3): 391-404.
14 李煜, 刘虹, 孙建军. 中国图书馆学博士论文研究主题图谱分析[J]. 图书馆杂志, 2018, 37(6): 22-30.
15 白如江, 冷伏海, 廖君华. 一种基于科技规划文本的研究前沿主题地图构建方法[J]. 图书情报工作, 2017, 61(23): 114-121.
16 蔡晓妍, 戴冠中, 杨黎斌. 谱聚类算法综述[J]. 计算机科学, 2008, 35(7): 14-18.
17 公路交通科学名词审定委员会. 公路交通科技名词[M]. 北京: 科学出版社, 2016.