基于隱含狄列克雷分配分類特征擴(kuò)展的微博廣告過濾方法

邢金彪　崔超遠(yuǎn)　孫丙宇　宋良圖

摘要：傳統(tǒng)的微博廣告過濾方法忽略了微博廣告文本的數(shù)據(jù)稀疏性、語義信息和廣告背景領(lǐng)域特征等因素的影響。針對這些問題，提出一種基于隱含狄列克雷分配（LDA）分類特征擴(kuò)展的廣告過濾方法。首先，將微博分為正常微博和廣告型微博，并分別構(gòu)建LDA主題模型預(yù)測短文本對應(yīng)的主題分布，將主題中的詞作為特征擴(kuò)展的基礎(chǔ)；其次，在特征擴(kuò)展時結(jié)合文本類別信息提取背景領(lǐng)域特征，以降低其對文本分類的影響；最后，將擴(kuò)展后的特征向量作為分類器的輸入，根據(jù)支持向量機(jī)（SVM）的分類結(jié)果過濾廣告。實(shí)驗(yàn)結(jié)果表明，與現(xiàn)有的僅基于短文本分類的過濾方法相比，其準(zhǔn)確率平均提升4個百分點(diǎn)。因此，該方法能有效擴(kuò)展文本特征，并降低背景領(lǐng)域特征的影響，更適用于數(shù)據(jù)量較大的微博廣告過濾。

關(guān)鍵詞：廣告過濾；隱含狄列克雷分配；短文本分類；支持向量機(jī)；特征擴(kuò)展

中圖分類號：TP181

文獻(xiàn)標(biāo)志碼：A

0引言

當(dāng)前，微博作為一種新的傳播載體，允許任何人用電腦、手機(jī)等方式在任何時間發(fā)布任何言論，且這些言論能迅速傳播給互聯(lián)網(wǎng)所能觸及的任何人[1]。微博這種實(shí)時且傳播迅速的特點(diǎn)，使其蘊(yùn)含了巨大的商業(yè)價值，越來越多的微博用戶通過自己的賬戶發(fā)布商品等廣告信息。逐漸增多的微博廣告不僅影響用戶體驗(yàn)，還對微博平臺上的輿情分析等研究產(chǎn)生不利影響。該現(xiàn)象依靠現(xiàn)有的微博平臺提供的舉報和屏蔽功能很難進(jìn)行監(jiān)管。因此，如何有效過濾廣告，成為了一個亟待解決的問題。

微博廣告過濾是信息過濾的一種[2]，主要指從大量的微博中把廣告刪除，保留非廣告內(nèi)容。因此微博廣告過濾可歸結(jié)為短文本分類問題，將微博分為正常微博和廣告型微博。而微博文本作為短文本，其關(guān)鍵特征非常稀疏且上下文依賴性強(qiáng)，目前的微博廣告過濾方法不能解決短文本特征稀疏問題；且中文詞匯中存在大量同義詞，采用一般的特征提取方法，同義詞會被看作不同的特征，影響分類性能[3]。因此本文結(jié)合隱含狄列克雷分配（Latent Dirichlet Allocation， LDA）主題模型[4]實(shí)現(xiàn)特征擴(kuò)展，解決特征稀疏及同義詞影響分類性能的問題。進(jìn)一步分析發(fā)現(xiàn)，由于廣告涉及領(lǐng)域多，在特征擴(kuò)展時可能會引入背景領(lǐng)域特征等噪聲數(shù)據(jù)，影響分類效果，因此，本文在特征擴(kuò)展時引入文本類別信息，來降低其對分類效果的影響。最后將特征擴(kuò)展后形成的有效特征向量作為分類器的輸入，使用支持向量機(jī)（Support Vector Machine， SVM）分類器進(jìn)行分類，實(shí)現(xiàn)廣告過濾功能。

1相關(guān)工作

目前的微博廣告過濾方法主要有基于統(tǒng)計分析的方法和基于短文本分類的方法。王琳等[5]基于統(tǒng)計數(shù)據(jù)分析了噪聲微博和相似微博的特點(diǎn)，提出了一種面向微博文本流的噪聲判別和內(nèi)容相似性雙重檢測的過濾方法： 通過統(tǒng)一資源定位符（Uniform Resource Locator， URL）鏈接、字符率、高頻詞等特征判別，過濾噪聲微博；然而，URL已不能作為微博是否為廣告的依據(jù)。因此，高俊波等[6]從微博文本內(nèi)容分析，基于短文本分類方法實(shí)現(xiàn)廣告過濾；但該方法缺乏對文本語義的考慮。研究表明，文本的語義主題信息對文本的分類有很大的影響。如方東昊[7]將詞向量特征空間擴(kuò)展為語義向量特征空間，并對文本進(jìn)行分類，提升了分類性能；刁宇峰等[8]利用LDA主題模型對博客中的博文進(jìn)行主題提取， 并結(jié)合主題信息進(jìn)行判斷，識別Blog空間的垃圾評論。

基于短文本分類的方法則面臨微博短文本特征稀疏的問題。許多學(xué)者從特征擴(kuò)展的角度進(jìn)行了研究，如Xu等[9]以Wikipedia為數(shù)據(jù)源，通過對能夠表征微博主題的特征項(xiàng)進(jìn)行語義拓展來提高主題聚類學(xué)習(xí)模型的性能；該方法雖然能降低特征的稀疏性，但也同時存在引入噪聲數(shù)據(jù)的風(fēng)險。呂超鎮(zhèn)等[10]通過構(gòu)建LDA模型，選擇較高概率的主題的主題詞對短文本進(jìn)行特征擴(kuò)充，形成較為有效的短文本的特征向量，并以此進(jìn)行分類。

如果將微博分為正常微博和廣告型微博，每一類都涉及眾多領(lǐng)域（包括電商廣告、招聘廣告等），包含豐富的背景領(lǐng)域特征（詞匯），涉及較多的主題。所謂背景領(lǐng)域特征是指微博短文本中描述廣告所宣傳的領(lǐng)域的特征、詞匯等，具有較為明顯的領(lǐng)域主題特征，這些特征具有較好的類別區(qū)分能力。因此，在解決現(xiàn)有的微博廣告過濾方法所面臨的特征稀疏問題時，若直接通過LDA預(yù)測微博文檔主題，并盲目地利用相應(yīng)的高概率主題詞進(jìn)行特征擴(kuò)展，會促使微博主題偏離目標(biāo)類別（廣告或非廣告），影響最終的廣告過濾效果。如對于如下一條廣告博文：

“把你的名字做成項(xiàng)鏈，戴在胸前，心跳多久，愛你多久，良心推薦，首飾純手工，用名字定制項(xiàng)鏈，成就屬于你的極致浪漫，@***，快來定制你的專屬項(xiàng)鏈吧?！?/p>

該博文為涉及情感領(lǐng)域的廣告文本，包含較多的情感背景特征，若直接對其進(jìn)行特征擴(kuò)展，會引入更多的情感特征，在預(yù)測主題時，則會更傾向于正常微博的情感主題類別，偏離了其目標(biāo)類別——廣告型微博。

2基于LDA分類特征擴(kuò)展的微博廣告過濾方法

如上所述， 將廣告過濾問題歸為微博短文本分類問題，現(xiàn)有的廣告過濾方法仍不能解決短文本特征稀疏和微博廣告所在領(lǐng)域背景特征影響分類性能的問題。因此本文結(jié)合文獻(xiàn)[10]中特征擴(kuò)展的方法，提出基于LDA分類特征擴(kuò)展的微博廣告過濾方法以解決這些問題。

2.1隱含狄列克雷分配

隱含狄列克雷分配（Latent Dirichlet Allocation， LDA）是一種文檔主題生成模型[4]，它包含三層結(jié)構(gòu)：單詞、主題和文檔。LDA是一種非監(jiān)督機(jī)器學(xué)習(xí)技術(shù)，可以用來識別大規(guī)模文檔集或語料庫中潛藏的主題信息，采用詞袋（Bag of Words， BoW）方法，將每一篇文檔視為一個詞頻向量，詞與詞之間沒有先后順序，從而將文本信息轉(zhuǎn)化為易于建模的數(shù)字信息。

對于語料庫中的每篇文檔，LDA定義了如下生成過程：

1） 對每一篇文檔，從主題分布中抽取一個主題；

2） 從被抽到的主題對應(yīng)的單詞分布中抽取一個單詞；

3） 重復(fù)上述過程直至遍歷文檔中的每一個單詞。

LDA圖模型如圖1所示，其中：θ表示文本主題概率分布，φ表示主題詞概率分布，α、 β分別是θ、 φ的超參數(shù)；w表示可觀測的單詞；z表示主題；K表示主題數(shù)；M為文檔數(shù)；N為文檔中的詞數(shù)。

圖1模型中：陰影圓圈表示可觀測變量，非陰影圓圈表示潛在變量；箭頭表示兩變量間的條件依賴性；方框表示重復(fù)抽樣，重復(fù)次數(shù)在方框的右下角。主題z在文檔d上以及單詞w在主題上分別服從參數(shù)為θ和φ的多項(xiàng)分布，而這兩個參數(shù)又分別服從超參數(shù)為α和β的Dirichlet分布（因?yàn)镈irichlet分布是多項(xiàng)分布的共軛分布），所以LDA主題模型是一種概率生成模型。其中：超參數(shù)α和β需指定；w是可見的（標(biāo)記為深色）；z需要學(xué)習(xí)；θ和φ需要推斷，通常情況下可以用吉布斯采樣（Gibbs sampling）[11]來實(shí)現(xiàn)。

2.2基于LDA的分類特征擴(kuò)展及背景特征影響消除

分類特征擴(kuò)展是指在進(jìn)行特征擴(kuò)展時，按照文本所屬類別從中選取合適的特征進(jìn)行擴(kuò)展，以便降低背景領(lǐng)域特征對分類效果的影響。李文波等[12]研究發(fā)現(xiàn)使用LDA模型進(jìn)行文本分類時，附加類別標(biāo)簽?zāi)軌蛱嵘诸愋Ч?，所以在特征擴(kuò)展時按分類進(jìn)行是切實(shí)有效的。

圖2所描述的是本文模型的文檔集合結(jié)構(gòu)，文檔集合（C）中的所有文檔被劃分為正常微博（C1）和廣告微博（C2），每一類又包含若干個隱含主題（底部小圓）。該模型多了一層文檔類別層，即將類別信息嵌入到模型中。針對每一類別的文檔集合分別構(gòu)建LDA模型，并得到對應(yīng)的“文檔主題”分布，作為下一步文檔特征擴(kuò)展的基礎(chǔ)。

根據(jù)以上分析及文本集合結(jié)構(gòu)，本文建立的微博廣告過濾模型如圖3所示。

如圖3所示，訓(xùn)練集和測試集經(jīng)過相同的預(yù)處理及特征提取操作，訓(xùn)練集用于分類構(gòu)建LDA模型和訓(xùn)練分類器，并將生成的LDA模型用于文檔的特征擴(kuò)展，兩處特征擴(kuò)展的區(qū)別在于測試集在特征擴(kuò)展時需要考慮消除背景領(lǐng)域特征的影響，而訓(xùn)練集由于文檔類別已知則不需要。本文主要工作集中在分類構(gòu)建LDA模型、特征擴(kuò)展以及消除背景領(lǐng)域特征的影響。

2.2.1特征提取及加權(quán)

在構(gòu)建本文方法前需要對原始數(shù)據(jù)進(jìn)行預(yù)處理、特征提取等操作，并選擇合適的文本表示形式，便于分類器處理。首先，預(yù)處理主要包括去除噪聲數(shù)據(jù)（HTML標(biāo)簽、特殊符號等）、分詞、去除停用詞。其中，分詞的好壞直接影響到最終的實(shí)驗(yàn)效果。由于傳統(tǒng)的中文文本語料詞典難以涵蓋微博中出現(xiàn)的網(wǎng)絡(luò)新詞，直接使用NLPIR（Natural Language Processing and Information Retrieval sharing platform）中文分詞工具[13]進(jìn)行分詞，其效果很不理想，本文也在實(shí)驗(yàn)中驗(yàn)證了這一點(diǎn)。因此本文將實(shí)驗(yàn)時收集的網(wǎng)絡(luò)最新熱點(diǎn)事件、網(wǎng)絡(luò)用語等，用于分詞時加載，改善分詞效果。

本文采用向量空間模型（Vector Space Model，VSM）[14]對文本數(shù)據(jù)進(jìn)行描述，文本空間被視為一組特征向量組成的向量空間。因此，對于給定的文檔集D={d1，d2，…，dM}（M為文檔總數(shù)），其中包含詞為V={v1，v2，…，vN}（N為詞的總數(shù)），可以表示成一個M*N的矩陣空間；權(quán)值wij表示詞j在文檔i中的權(quán)重，采用TF-IDF算法[15]、詞頻（Term Frequency， TF）、逆文檔頻率（Inverse Document Frequency， IDF）計算，計算公式如式（1）。

2.2.2特征擴(kuò)展及消除背景特征影響

文檔特征提取后，利用分類構(gòu)建的LDA模型預(yù)測文檔的主題分布，并選取概率最大的主題作為文檔特征擴(kuò)展的基礎(chǔ)，對于類別未知的文檔在特征擴(kuò)展時需處理背景特征的影響。將處理后的文檔作為分類器的輸入，根據(jù)分類結(jié)果區(qū)分廣告和正常微博。因此本文方法主要包含兩個階段：生成候選特征擴(kuò)展詞集及消除背景領(lǐng)域特征影響。

1）候選特征擴(kuò)展詞集生成。

對比傳統(tǒng)的特征擴(kuò)展方法（如文獻(xiàn)[10]所述），本文在特征擴(kuò)展時分類進(jìn)行。給定如圖2所示的文檔集合結(jié)構(gòu)Document={DNormal，DAd}，其中DNormal表示正常微博文檔集，DAd表示廣告型微博文檔集，為兩類文檔集分別構(gòu)建LDA模型，得到ModelLDA（θc，φc）（c∈{Normal，Ad}）。利用已建立的LDA模型來預(yù)測待測文檔x的主題分布，并選取概率最大的主題Topicmax。

定義1候選特征擴(kuò)展詞集Candidate。 Candidate={（wi，pi）|i∈N}，其中（wi，pi）表示Topicmax的前Top-N個主題詞及其對應(yīng)的概率值。Candidate用于存儲文檔x的候選特征擴(kuò)展詞。

2）背景特征影響消除。

若待測文檔x的類別已知（如訓(xùn)練集），則在特征擴(kuò)展時不會使背景領(lǐng)域特征過分放大而影響文本分類。

若待測文檔x的類別未知（如測試集），盲目地對其特征項(xiàng)進(jìn)行擴(kuò)展，可能會放大背景領(lǐng)域特征的影響，使文檔在預(yù)測分類時偏離其原應(yīng)正確歸屬的類別（廣告、正常）。因此首先分別利用ModelLDA（θc，φc）對待測文檔x進(jìn)行預(yù)測，產(chǎn)生候選特征擴(kuò)展集Candidatec（c∈{Normal，Ad}）；并將LDA用作類條件概率，根據(jù)式（2）計算類條件概率，判斷待測文檔x可能所屬的類別。

步驟5計算背景特征詞在候選特征擴(kuò)展集中的比例η，當(dāng)η大于等于閾值γ時，對于Comm集中的每一個特征item，修改其權(quán)重為：pitem=|pNormal-pAd|，并將Candidate中對應(yīng)的權(quán)值更新；若η小于γ，則表明背景領(lǐng)域特征影響較小，無需修改Candidate中相應(yīng)特征。最終的特征擴(kuò)展候選詞集Candidate=Candidate。

步驟6將Candidate中的特征詞項(xiàng)擴(kuò)展至文檔x的特征向量中，對于x中已存在的特征項(xiàng)，替換其權(quán)值，生成最終表示文檔x的有效特征向量，作為分類器的輸入。

3實(shí)驗(yàn)流程及結(jié)果分析

3.1實(shí)驗(yàn)數(shù)據(jù)

實(shí)驗(yàn)數(shù)據(jù)源自新浪微博2015年06月—2015年07月的微博信息，人工標(biāo)注后獲得有效廣告微博3315條，非廣告微博4813條，構(gòu)成一個微博語料集。

3.2實(shí)驗(yàn)設(shè)置

1）主題數(shù)。采用LDA模型對文本集進(jìn)行主題建模時，主題數(shù)K對模型擬合文本集的性能以及最終的分類性能影響很大，對于K的取值本文采用統(tǒng)計語言模型中常用的困惑度（Perlexity）來進(jìn)行選取[16]。困惑度是衡量一個模型好與壞的評價指標(biāo)，困惑度越小，代表模型的泛化能力越強(qiáng)。困惑度公式[4]為：

準(zhǔn)確率：即正常微博“保留率”，體現(xiàn)了過濾方法辨別廣告的準(zhǔn)確度。

召回率：即被保留下來的正常微博數(shù)量占所有正常微博數(shù)量的比例，體現(xiàn)了廣告過濾模型過濾廣告的完備性。

F1值：實(shí)際上是召回率和正確率的調(diào)和平均， 當(dāng)F1較高時則能說明實(shí)驗(yàn)方法比較有效。

4）實(shí)驗(yàn)分組。

文獻(xiàn)[6]中已證明基于文本內(nèi)容分析的微博廣告過濾模型優(yōu)于文獻(xiàn)[5]中基于統(tǒng)計分析的方法。因此本文基于文獻(xiàn)[6]方法設(shè)計對比實(shí)驗(yàn)，每次實(shí)驗(yàn)采用相同數(shù)據(jù)集。具體如下：

方法1：文獻(xiàn)[6]所述基于文本內(nèi)容分析的方法；

方法2：在方法1基礎(chǔ)上增加短文本特征擴(kuò)展處理；

本文方法：利用本文所描述的增加特征擴(kuò)展及消除背景特征影響方法設(shè)計實(shí)驗(yàn)，并根據(jù)分類后的結(jié)果設(shè)計過濾器。

3.3實(shí)驗(yàn)結(jié)果及對比

1）主題數(shù)。實(shí)驗(yàn)將LDA 模型的主題數(shù)設(shè)置為20～100 （間隔5），兩種類別的訓(xùn)練集困惑度隨主題數(shù)變化情況如圖4所示，隨著主題數(shù)不斷增加，兩種類別訓(xùn)練集的困惑度均逐漸下降，當(dāng)達(dá)到55時，下降趨勢趨于平穩(wěn)。而主題數(shù)越多，LDA模型估計的參數(shù)越多，計算代價越大，因此取主題數(shù)K=55。

根據(jù)實(shí)驗(yàn)結(jié)果分析可知，Topic A主要表示股市相關(guān)的主題，Topic B表示娛樂相關(guān)的信息，Topic C表示服飾、百貨等相關(guān)的廣告主題，Topic D表示化妝品相關(guān)的廣告主題。此處生成的主題特征作為候選特征擴(kuò)展集的基礎(chǔ)。

3）閾值γ對算法性能的影響。背景特征詞在候選特征集中比例的閾值γ大小的選擇對實(shí)驗(yàn)結(jié)果有較大的影響。本文利用已經(jīng)標(biāo)注的5000條微博訓(xùn)練集，以F1值作為評判標(biāo)準(zhǔn)，對該參數(shù)進(jìn)行了多組實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖5所示。

當(dāng)γ取值范圍在0.1～0.3時，F(xiàn)1值增長較快；當(dāng)γ大于0.3時，F(xiàn)1開始下降并趨于平穩(wěn)。由于γ影響最終的實(shí)驗(yàn)效果，若γ設(shè)定較小，則背景特征較少不足以對分類效果產(chǎn)生影響時增加了不必要的計算，且可能過濾掉重要的特征詞，影響分類性能；若γ較大，則遺漏較多的背景特征，使得實(shí)驗(yàn)效果趨于僅進(jìn)行特征擴(kuò)展的方法2，影響對算法性能的判斷。因此通過實(shí)驗(yàn)分析將閾值γ取值0.3。

4）對比實(shí)驗(yàn)。

由于數(shù)據(jù)集越大LDA模型構(gòu)建得越好，則特征擴(kuò)展的效果越明顯，因此本文實(shí)驗(yàn)通過改變數(shù)據(jù)集的大小，對比分析特征擴(kuò)展及背景領(lǐng)域特征兩因素對實(shí)驗(yàn)效果的影響。表3顯示的是三種方法的實(shí)驗(yàn)結(jié)果對比。

從表3的對比結(jié)果中可以看出，當(dāng)數(shù)據(jù)集較小時，三種方法的過濾效果均較差，且方法2和本文方法實(shí)驗(yàn)效果相近，這是因?yàn)長DA模型未得到充分訓(xùn)練，特征擴(kuò)展效果不佳且分類器未訓(xùn)練到較好的水平。隨著數(shù)據(jù)集的增大，分類器分類效果明顯提升，后兩種方法中的文本特征得到擴(kuò)展，其準(zhǔn)確率明顯高于方法1。然而當(dāng)數(shù)據(jù)集增大到一定程度時，三種方法準(zhǔn)確率增長趨于平緩，本文方法在準(zhǔn)確率上仍有提升，主要原因是隨著實(shí)驗(yàn)數(shù)據(jù)集的充分增大，分類構(gòu)建的LDA模型能為特征擴(kuò)展提供更好的候選特征擴(kuò)展集，但方法2在特征擴(kuò)展時也引入了較多的背景領(lǐng)域特征對實(shí)驗(yàn)效果產(chǎn)生了不利影響。本文方法增加了消除背景領(lǐng)域特征影響的操作，使得準(zhǔn)確率較方法2有了進(jìn)一步的提升。

為驗(yàn)證本文設(shè)計的廣告過濾方法的實(shí)際性能，利用已訓(xùn)練好的三種方法，將新浪微博平臺2015年07月17日—2015年07月23日，每天下載的500條微博信息用于實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果對比如圖6所示。

圖6中，橫軸表示日期07月17日—07月23日，縱軸表示F1值。實(shí)驗(yàn)結(jié)果表明本文方法明顯優(yōu)于文獻(xiàn)[6]中僅從文本內(nèi)容分析的方法（即方法1）。這主要是因?yàn)槲墨I(xiàn)[6]沒有考慮微博文本的語義信息和特征稀疏的問題，然而本文方法增加了特征擴(kuò)展處理，又消除廣告背景領(lǐng)域特征對分類性能的影響，從而使過濾效果得到進(jìn)一步的提升，實(shí)驗(yàn)結(jié)果較現(xiàn)有過濾方法的F1值平均提升4個百分點(diǎn)。

4結(jié)語

本文提出了一種基于LDA分類特征擴(kuò)展的廣告過濾方法，彌補(bǔ)了現(xiàn)有的僅基于短文本分類的微博廣告過濾方法在廣告文本語義信息、文本數(shù)據(jù)稀疏、廣告背景領(lǐng)域特征影響等方面的不足。該方法能有效地實(shí)現(xiàn)特征擴(kuò)展，降低廣告背景領(lǐng)域特征的影響，且本文方法對處理數(shù)據(jù)量較大的微博數(shù)據(jù)效果更好。實(shí)驗(yàn)證明本文方法優(yōu)于文獻(xiàn)[6]中基于文本內(nèi)容分析的方法，是一種有效的微博廣告過濾方法。

然而本文只針對微博文本特征進(jìn)行研究，后續(xù)研究可以通過檢測用戶的所有微博信息判斷廣告用戶，實(shí)現(xiàn)對特殊用戶的特殊關(guān)注，以從源頭控制微博廣告的傳播。

參考文獻(xiàn)：

[1]張劍峰，夏云慶，姚建民.微博文本處理研究綜述[J].中文信息學(xué)報，2012，26（4）：21-27. （ZHANG J F， XIA Y Q， YAO J M. A review towards microtext processing [J]. Journal of Chinese Information Processing， 2012， 26（4）： 21-27.）

[2]徐小琳，闕喜戎，程時端.信息過濾技術(shù)和個性化信息服務(wù)[J].計算機(jī)工程與應(yīng)用，2003，39（9）：182-184. （XU X L， QUE X R， CHENG S D. Information filtering and user modeling [J]. Computer Engineering and Applications， 2003，39（9）：182-184.）

[3]賀濤，曹先彬，譚輝.基于免疫的中文網(wǎng)絡(luò)短文本聚類算法[J].自動化學(xué)報，2009，35（7）：896-902. （HE T， CAO X B， TAN H. An immune based algorithm for Chinese network short text clustering [J]. Acta Automatica Sinica， 2009， 35（7）： 896-902.）

[4]BLEI D M， NG A Y， JORDAN M I. Latent Dirichlet allocation [J]. Journal of Machine Learning Research， 2003， 3： 993-1022.

[5]王琳，馮時，徐偉麗，等.一種面向微博客文本流的噪音判別與內(nèi)容相似性雙重檢測的過濾方法[J].計算機(jī)應(yīng)用與軟件，2012，29（8）：25-29. （WANG L， FENG S， XU W L， et al. A filtering approach for spam discrimination and content similarity double detection for microblog text stream [J]. Computer Applications and Software， 2012， 29（8）：25-29.）

[6]高俊波，梅波.基于文本內(nèi)容分析的微博廣告過濾模型研究[J].計算機(jī)工程，2014，40（5）：17-20. （GAO J B， MEI B. Research on microblog advertisement filtering model based on text content analysis [J]. Computer Engineering， 2014， 40（5）： 17-20.）

[7]方東昊.基于LDA的微博短文本分類技術(shù)的研究與實(shí)現(xiàn)[D].沈陽：東北大學(xué)， 2011：23-28. （FANG D H. Study and implementation for microblogs short text classification based on LDA [D]. Shenyang： Northeastern University， 2011： 23-28.）

[8]刁宇峰，楊亮，林鴻飛.基于LDA模型的博客垃圾評論發(fā)現(xiàn)[J].中文信息學(xué)報，2011，25（1）：41-47. （DIAO Y F， YANG L， LIN H F. LDA-based opinion spam discovering [J]. Journal of Chinese Information Processing， 2011， 25（1）： 41-47.）

[9]XU T， OARD D W. Wikipedia-based topic clustering for microblogs[J]. Proceedings of the American Society for Information Science and Technology， 2011， 48（1）： 1-10.

http：//xueshu.baidu.com/s？wd=paperuri%3A%28c10c0fa9062177526c1e6ca5fc35b6c6%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fonlinelibrary.wiley.com%2Fdoi%2F10.1002%2Fmeet.2011.14504801186%2Fpdf&ie=utf-8&sc_us=3265163405836292075

[10]呂超鎮(zhèn)，姬東鴻，吳飛飛.基于LDA特征擴(kuò)展的短文本分類[J].計算機(jī)工程與應(yīng)用，2015，51（4）：123-127. （LYU C Z， JI D H， WU F F. Short text classification based on expanding feature of LDA [J]. Computer Engineering and Applications， 2015， 51（4）： 123-127.）.

[11]GRIFFITHS T L， STEYVERS M. Finding scientific topics [J]. Proceedings of the National Academy of Sciences of the United States of America， 2004，101（S1）： 5228-5235.

[12]李文波，孫樂，張大鯤.基于Labeled-LDA模型的文本分類新算法[J].計算機(jī)學(xué)報，2008，31（4）：620-627. （LI W B， SUN L， ZHANG D K. Text classification based on labeled-LDA model [J]. Chinese Journal of Computers， 2008， 31（4）： 620-627.）

[13]張華平.NLPIR漢語分詞系統(tǒng)[CP/OL]. [2015-07-17]. http：//ictclas.nlpir.org/. （ZHANG H P. Chinese lexical analysis system [CP/OL]. [2015-07-17]. http：//ictclas.nlpir.org/.）

[14]SALTON G， WONG A， YANG C S. A vector space model for automatic indexing [J]. Communications of the ACM， 1975， 18（11）： 613-620.

[15]SALTON G， YANG C S. On the specification of term values in automatic indexing [J]. Journal of Documentation， 1973， 29（4）： 351-372.

[16]CAO J， XIA T， et al. A density-based method for adaptive LDA model selection [J]. Neurocomputing， 2009， 72（7/8/9）： 1775-1781.

[17]CHANG C-C， LIN C-J. LIBSVM： a library for support vector machines [J]. ACM Transactions on Intelligent Systems and Technology， 2011， 2（3）： Article No. 27.