基于用戶行為特征的多維度文本聚類

　　傳統(tǒng)多維度文本聚類一般是從文本內(nèi)容 中提取特征，而很少考慮數(shù)據(jù)中用戶與文本的交互信息（如：點(diǎn)贊、轉(zhuǎn)發(fā)、評論、關(guān)注、引用等行為信息），且傳統(tǒng)的多維度文本聚類主要是將多個(gè)空間維度線性結(jié)合，沒能深入考慮每個(gè)維度中屬性間的關(guān)系。為有效利用與文本相關(guān)的用戶行為信息，提出一種結(jié)合用戶行為信息的多維度文本聚類模型（MTCUBC）。根據(jù)文本間的相似性在不同空間上應(yīng)該保持一致的原則，該模型將用戶行為信息作為文本內(nèi)容聚類的約束來調(diào)節(jié)相似度，然后結(jié)合度量學(xué)習(xí)方法來改善文本間的距離，從而提高聚類效果。通過實(shí)驗(yàn)表明，與線性結(jié)合的多維度聚類相比，MTCUBC模型在高維稀疏數(shù)據(jù)中表現(xiàn)出明顯的優(yōu)勢。

　　隨著Twitter、微博等社交媒體的廣泛使用，給傳統(tǒng)文本內(nèi)容聚類方法帶來挑戰(zhàn)。由于社交媒體中存在大量短文本，導(dǎo)致基于文本內(nèi)容聚類中的特征稀疏問題比較嚴(yán)重。另外，除了文本內(nèi)容，社交媒體數(shù)據(jù)還包含很多用戶行為信息，如：點(diǎn)贊、轉(zhuǎn)發(fā)、評論、關(guān)注、引用等（也稱“用戶行為特征”）。缺少用戶行為特征的聚類方法不能對社交媒體數(shù)據(jù)的分布特征進(jìn)行建模。除了Twitter 、微博等“新媒體”外，有些傳統(tǒng)文本中也包含有用戶行為信息，如學(xué)術(shù)論文中的合作作者和參考文獻(xiàn)等。