基于層疊條件隨機場的微博熱點話題跟蹤

戴 丹 胡 楊 劉 驪 馮旭鵬 劉利軍 黃青松,2

基于層疊條件隨機場的微博熱點話題跟蹤

戴 丹1胡 楊1劉 驪1馮旭鵬3劉利軍1黃青松1,2

1(昆明理工大學信息工程與自動化學院 云南 昆明 650500)

2(云南省計算機技術應用重點實驗室 云南 昆明 650500)

3(昆明理工大學教育技術與網(wǎng)絡中心 云南 昆明 650500)

微博文本的數(shù)據(jù)稀疏特性，使傳統(tǒng)話題跟蹤技術只能捕獲部分話題微博且準確度不高。同時，在追蹤過程中，話題會出現(xiàn)漂移現(xiàn)象。針對以上兩個問題，提出一種基于層疊條件隨機場的微博熱點話題跟蹤方法。該方法先通過標識模型標識出可能相關的微博，源熱點微博和標識微博分別作為分類模型的觀察序列和狀態(tài)序列來計算相關度分類。其次，通過構造自適應模型對識別模型進行更新且削弱數(shù)據(jù)稀疏問題，并從相關微博中選取新的觀察序列，其余作為新的狀態(tài)序列進行迭代分類處理。實驗表明，該方法比傳統(tǒng)方法綜合指標F值平均提升4.13%。

話題跟蹤 話題漂移 層疊條件隨機場 話題詞典

0 引 言

微博憑借開放性、低門檻、短文本等特性，已成為一個新興的網(wǎng)絡服務平臺。大量用戶在微博中參與話題討論，導致微博每天產(chǎn)生大量涉及多個熱點話題的信息。微博熱點話題，代表網(wǎng)民當前關注的重點，其內(nèi)容隨時間的發(fā)展而變化。某些微博可能只是某熱點話題中的一部分，并不能體現(xiàn)其完整性。所以，如何從海量微博中挖掘出熱點話題的發(fā)展走向具有重大的實際意義[1]。通過話題跟蹤，將熱點話題的相關微博組織起來，用戶可以即時了解微博熱點與輿論主題。相關政府部門和企業(yè)等機構可以了解民眾對特定話題的態(tài)度和發(fā)展動態(tài)，對微博中輿論的傳播與方向進行恰當引導，保證用戶合理表達微博網(wǎng)絡傳播的正確秩序。

本文對傳統(tǒng)話題跟蹤方法準確度不高且只能捕獲部分話題問題，在微博熱點話題跟蹤過程中采用層疊條件隨機場CCRFs(Cascaded CRFs)來解決。該方法通過多個條件隨機場 CRFs(Conditional Random Fields)建立CCRFs模型來分別對微博進行標識、分類和實體識別從而實現(xiàn)話題跟蹤和緩解話題漂移。實驗結果表明，該方法對于微博話題跟蹤具有較好效果。

1 相關研究

針對微博話題跟蹤研究的基礎方法[2]是計算文檔之間的相似性，從而判別是否與該話題相關。張劍峰等人[3]指出微博話題在進行相似性計算時，常常會伴隨數(shù)據(jù)稀疏問題，對話題跟蹤性能產(chǎn)生嚴重影響。針對數(shù)據(jù)稀疏問題，Liu等人[4]提出選擇詞性豐富的詞匯作為初始特征，并將這些詞匯通過HowNet的相關語義進行擴展，這樣短文本就有更多有用特征，最終克服微博文本的數(shù)據(jù)稀疏問題。Sriram等人[5]考慮到短文本沒有提供充足的詞信息，選取了八類特征(作者信息，話題時間短語等)。加入這些特征后，分類性能得到了顯著提高，改善了數(shù)據(jù)稀疏問題。在微博話題跟蹤方面Lin等人[6]利用基于復雜的分類器過濾博文流，提出了面向在線語言模型的平滑技術跟蹤微博流中的話題。Swit等人[7]提出在名詞上增加權值并根據(jù)熱點流行度和可信度因素來收集、分組、排序以及跟蹤Twitter中的突發(fā)新聞方法。上述研究工作對話題追蹤有良好效果，但由于初始信息相對稀疏，并只是發(fā)現(xiàn)利用微博部分特點與現(xiàn)象，無法有效跟蹤一段時期以后微博話題的發(fā)展。且在話題追蹤過程中，話題會動態(tài)發(fā)展并產(chǎn)生話題漂移現(xiàn)象。以上方法無法緩解話題漂移現(xiàn)象，識別不了最新相關話題。

為解決話題漂移現(xiàn)象，王會珍等人[8]提出基于反饋學習自適應的中文話題追蹤，其方法是采用增量學習的思想并考慮時序性,提出在話題跟蹤中的自適應學習算法，此算法可以解決話題漂移現(xiàn)象，還可以彌補現(xiàn)有自適應方法的不足。張輝等人[9]提出基于三維文檔向量的自適應話題追蹤器模型，此模型在追蹤過程中可根據(jù)事件的發(fā)展動態(tài)來進行自我學習和自我修正，在避免話題漂移方面具有一定優(yōu)勢。郝秀蘭等人[10]在中文論壇內(nèi)容監(jiān)測方法的研究上提出了將話題表示為種子向量與后續(xù)學習的改進模型，在此模型上運用最新的命名實體權重調(diào)節(jié)策略，緩解了話題漂移現(xiàn)象。由于上述文獻提出的方法并不是針對微博，且微博具有社交、實時更新等特性，對于緩解話題漂移存在一定困難，并不適用于本文所研究工作的場景。

針對話題跟蹤過程中存在的相似度計算與話題漂移現(xiàn)象，本文分別引入條件隨機場模型來解決這些問題。CRFs模型[11]可很好地捕捉上下文信息，它克服了最大熵等模型的標記偏置問題，同時，能夠考慮節(jié)點之間的聯(lián)系，從而利用上下文特征獲得全局最優(yōu)的標注結果。近年來，在詞性標注、命名實體識別等自然語言處理方面具有較好的應用效果[12]。由于本方法需要CRFs來實現(xiàn)微博標識、分類與實體識別的多任務處理，僅單層CRFs達不到最佳效果，因此引入了CCRFs模型[13,14]。

2 CCRFs微博熱點話題跟蹤模型

對微博話題進行跟蹤是一項復雜的任務，在本方法中，將該復雜任務分解為微博標識、微博分類與實體識別等子任務，再分別對每一個子任務使用條件隨機模型，故通過CCRFs模型來對本文任務進行處理。每項任務之間相互聯(lián)系與利用，上一模型得到的結果作為下一個模型的起始條件。本文微博熱點話題追蹤任務模型如圖1所示，該模型由3個模塊構成：標識模型(M1)；分類模型(M2)；自適應模型(M3)。模型的輸入是采集到的文本，輸出是熱點微博話題追蹤結果。

圖1 基于CCRFs微博熱點話題跟蹤模型

標識模型(M1)為整個CCRFs模型建立基礎，它對采集到的文本判斷是否存在可能與熱點話題相關的微博，主要是通過特征來標識篩選出一部分可能相關的微博，防止以后大量冗余操作。分類模型(M2)起過渡作用，從標識模型得到結果作為輸入條件，經(jīng)處理把輸出結果作為自適應模型的條件。該模型主要功能是對標識模型中得到的微博通過計算其與源熱點話題微博的相關度來分類。自適應模型(M3)主要是為了緩解話題漂移現(xiàn)象并實現(xiàn)話題深層次的跟蹤。對分類模型中得到的相關微博進行實體識別填充到話題詞典中，擴充特征并更新標識模型。通過模型迭代得出其余相關微博，防止漏檢話題微博。通過以上三個模型相互結合形成CCRFs模型來實現(xiàn)微博熱點話題追蹤。

2.1 標識模型

標識模型是整個層疊條件隨機場模型的基礎，通過該模型標識獲得可能與熱點話題相關的微博，得到結果為分類模型的輸入。本節(jié)內(nèi)容主要描述CRFs模型標識過程。

2.1.1 CRFs特征選取

條件隨機場模型有一個很好很重要的特性就是可以任意靈活定義各種特征，以構建相應模型。在分析熱點微博的基礎上，發(fā)現(xiàn)熱點話題相關微博文本形式復雜多樣，且存在不正式語法表達，若從語法方面來選取特征，隨話題跟蹤一段時間后其特征存在一定的不確定性。從微博內(nèi)容表達的主題來看，對于熱點話題主要是事件的發(fā)展，事件主要是由時間、地點、人物和相關機構描述而成。故考慮話題詞典特征。用戶發(fā)表微博字數(shù)不能超過140個字符，但如果內(nèi)容長度太短則包含話題有效信息較少，故考慮內(nèi)容長度特征。如表1所示。

表1 CRFs特征表

話題詞典特征主要是建立時間詞典，地點詞典、人物詞典和機構詞典。時間，地點，人物和相關機構都是追蹤話題的基本和重要要素。時間和機構詞典，通過語料識別，把熱點事件發(fā)生時間與相關機構加入詞典中。對于地點詞典，先把熱點話題包含的地點存入詞典中，接著通過地名大全和地名替換詞庫等進行擴充，添加地點名的子地點、父地點和替換地點。比如：話題為“云南魯?shù)榈卣稹保攸c詞典則收入昭通市、文屏鎮(zhèn)或滇等地名。人物詞典構造跟地點詞典一樣需擴展。如：“郭美美事件”中人物有郭美美，還可有與其相關人物，如其干爹王軍，中國紅十字會常委副會長趙白鴿等。

內(nèi)容長度的描述為：微博去除停用詞后詞匯的數(shù)目。微博具有短文本特性，但當微博內(nèi)容長度低于某一個閾值時，包含熱點話題的概率極低。通過多次實驗比較，選擇閾值為10。

2.1.2 CRFs模型標識微博

針對CRFs模型中因特征單一而導致模型標注識別準確度不高問題，本文將所選特征進行組合，形成復合特征模板。

CRFs模型對采集文檔進行標識，將檢測話題可能相關微博的問題轉(zhuǎn)化為序列標注問題，即通過對文檔序列標注的方法，確定其包含話題相關微博。標識過程如下：1) 通過話題詞典的時間、地點、人物和機構中的任意一個特征為序列中的話題事件賦予對應的角色標簽；2) 為已經(jīng)標注的微博貼上邊界標簽，并判斷內(nèi)容長度是否大于閾值10。在1)中，根據(jù)朱莎莎等人[15]的標注方法，分別引入時間標簽集Time={T,N}、地點標簽集Loc={L,N}、人物標簽集Per={P,N}和機構標簽集Org={O,N}對句子中的每個詞賦予一個標記。每個標記代表詞在微博中的位置，T、L、P、O分別標識詞在該事件中代表的角色，N標識其他詞。對于2)，借鑒組塊分析中的{B,I,E}標簽集，B表示微博開始，I表示中間，E表示結尾。根據(jù)這種表示方法，文本根據(jù)標識語料被映射成獨立標記的微博段落，并轉(zhuǎn)換為序列標識問題。如“2014年8月3號下午4點30分，昭通魯?shù)?.5級地震魯?shù)榭h龍頭山鎮(zhèn)龍井村房屋倒塌嚴重”，標記為“2014年/B/T8月/I/T3號/I/T下午/I/N4點/I/T30分/I/T，昭通/I/L魯?shù)?I/L6.5級/I/N地震/I/N魯?shù)榭h/I/L龍頭山鎮(zhèn)/I/L龍井村/I/L房屋/I/N倒塌/I/N嚴重/E/N”。在此表示方法上進行話題詞典與長度特征選擇，即將獲得話題可能相關微博任務轉(zhuǎn)化為序列標注問題。

2.2 分類模型

由于CRFs模型可以計算在給定輸入序列時指定輸出序列的概率值，通過其概率值來判別是否相關。微博話題跟蹤過程中，傳統(tǒng)方法計算相似度存在一定困難，本文通過特征擴充與CRFs模型計算相關性來進行追蹤，提出了一種解決數(shù)據(jù)稀疏問題的分類模型。標識模型用于識別出可能與熱點話題相關的微博，分類模型則是對標識模型得到的結果進行優(yōu)化，以進一步確定相關度。在該模型中源熱點話題微博作為輸入序列，從標識模型中得到的標識微博作為輸出序列。在對序列進行模型表示時，本文借鑒Liu[4]的方法通過大量不同的詞性標注信息并根據(jù)HowNet對每個詞匯進行擴充，拓展詞性特征，使短文本具有更多的特征。

根據(jù)CRFs模型來計算輸入微博序列生成輸出序列的相關度，相關度用概率值來表征。本文微博跟蹤過程中X={x1,x2,…,xn}表示在不同模型中輸入的微博觀察序列，即分類模型中源熱點話題微博、自適應模型中與熱點話題相關的微博，隨機變量Y={y1,y2,…,yn}表示在給定觀察序列下其對應的微博輸出序列，即分類模型中標識后的微博、自適應模型中與熱點話題不相關的微博。在給定觀測序列X，生成輸出序列Y的概率分布P(Y|X)公式如下：

(1)

其中Z(x)是歸一化因子，公式如下：

(2)

其中，sl和tk是特征函數(shù)，μl和λk是對應的權值。給定訓練微博{(xk,yk)}預定義的特征函數(shù)，可以從微博樣本中學習一個CRFs模型。微博樣本參數(shù)Λ={μl,λk}采用L-BFGS(Limited Memory BFGs)算法[15]來求解最優(yōu)值。若概率值大于閾值μ，說明此微博跟話題相關并把得到的相關微博作為自適應模型的輸入條件。若不大于，則不相關。

2.3 自適應模型

針對在話題追蹤過程中會產(chǎn)生話題漂移現(xiàn)象，本方法設計了自適應模型，可削弱先驗數(shù)據(jù)稀疏造成信息的不完備性，并通過不斷的自適應學習能力來更新標識模型，最終提高CCRFs模型跟蹤話題發(fā)展的能力，緩解話題漂移現(xiàn)象。其具體實現(xiàn)為從分類模型得到相關微博集中選取兩篇作為輸入序列，剩余微博作為輸出序列，計算相關度并進行迭代計算。選取規(guī)則為：

(1) 分類模型中得到的概率值P={P1,P2,…,Pi}，其最大概率為Pmax，最小概率為Pmin，平均概率為Pavg。

(2) 比較概率值P中哪兩個概率值是與Px和Py最相近，對應微博就為下一次計算的觀察序列。概率Px和Py的計算公式如下：

(3)

(4)

為緩解話題漂移現(xiàn)象，需對話題詞典進行擴充，根據(jù)邱泉清等人[16]使用CRFs模型對微博命名實體識別，把相關微博里面的人名、地點和機構添加到對應的詞典庫中，對于時間的識別，利用朱莎莎等[14]基于條件隨機場的中文時間短語識別方法，把時間短語加入到話題時間詞典庫中以提升下一次的識別效果。為了保證迭代的收斂與后效性，在不相關微博數(shù)小于k值時結束迭代過程。對于k值選取規(guī)則如下：

如果k取值較大，不能對熱點話題進行完整的追蹤。若k取值較小，話題跟蹤信息冗余并且增加復雜度和運算量。本實驗中，通過估計相關話題熱點占標識微博的百分比，選擇k=35%作為閾值。實驗完整設計流程如下：

Step1 基于時間段閾值獲取微博文本語料，在此設置閾值為一小時。

Step2 根據(jù)語料選取熱點話題特征，第一層CRFs模型對其微博進行標識與提取。

Step3 提取出來的微博段落作為輸出序列，源熱點微博作為輸入序列S，第二層CRFs模型來計算輸入序列S得到每一篇輸出序列Oi的概率Pi。

Step4 如果Pi大于等于閾值μ，其輸出序列Oi跟熱點話題相關，否則就不相關。

Step5 通過第三層CRFs模型實體識別把相關微博中時間、地點、人物和相關機構短語添加到對應話題詞典庫中。

Step6 從相關話題集中根據(jù)規(guī)則挑選兩篇微博作為輸入序列S′={S1,S2},剩余不相關微博作為輸出序列O′={O1,O2,…,Oj}，通過CRFs模型來計算輸入序列得到每一篇輸出序列Oj的概率Pj。

Step7 重復Step4-Step6，直到輸出序列的微博數(shù)小于k值，結束迭代過程。

3 實驗及結果分析

3.1 實驗語料的準備與過程設計

本實驗采用的語料是從新浪微博上從2014年8月01日至2014年8月10日每天上午9點到下午16點每隔一小時采集的文本共70篇，每一篇包含該時間段中發(fā)表的微博且作為一個段落，獲取微博內(nèi)容和發(fā)表時間。經(jīng)預處理識別，包括5個熱點話題：臺灣高雄燃氣爆炸、天津動物園老虎骨瘦如柴、李承鉉求婚戚薇、昆山中榮工廠爆炸、云南魯?shù)榈卣稹?/p>

3.2 實驗結果分析

在實驗中，采用準確率(P)，召回率(R)，綜合指標(F)值作為評價的標準。

(6)

(7)

(8)

其中a表示已經(jīng)跟蹤到與原熱點話題相關的微博數(shù)，b為跟蹤到但跟原熱點話題不相關的博文數(shù)，c表示為沒有跟蹤到與原熱點話題相關的博文數(shù)。

3.2.1 閾值μ的調(diào)整

閾值μ對CCRFs模型有著重要的影響，控制著實驗的準確度，μ值是對CCRFs中分類模型概率的判別，如果μ值設置過高，則后續(xù)相關話題微博的漏檢率加大，會遺落一些話題的發(fā)展趨勢。如果μ值較小，引入大量噪聲，而造成不必要的信息發(fā)展，導致跟蹤方向偏差。通過五個話題的源微博與標識后的微博進行多次概率生成實驗，取P、R和F的平均值結果如表2所示。當μ=0.3時，在準確率P和召回率R之間得到較好的平衡點，因此，在CCRFs模型中，選擇μ=0.3作為閾值。

表2 閾值μ實驗結果

3.2.2 話題跟蹤對比實驗

在本文方法和傳統(tǒng)相似度計算的方法上進行話題跟蹤，通過兩種方法的對比，得到結果如表3所示，本實驗中選擇向量空間模型VSM(Vector Space Model)為基本模型。本文方法比基本模型得到的準確率和召回率都有一定提高，且F值平均提高了4.13%。

表3 基本模型與CCRFs模型方法對比結果

在不同時間段，話題走向會發(fā)生變化，本文選擇影響力較大的“云南魯?shù)榈卣稹边M行基于時間段網(wǎng)友討論話題的變化，話題的發(fā)展如圖2、圖3。圖2為基本模型的子話題曲線圖，圖3為CCRFs模型的子話題曲線圖，圖中橫坐標以每4小時為單位，縱坐標分別代表每個子話題在該時間段獲得的話題微博與所有相關微博的比例。實驗每隔4小時統(tǒng)計微博數(shù)，在每天的0～4和4～7點間微博數(shù)較之平常下將很多。獲取語料是從8月1號到10號，故對于災后重建的話題微博數(shù)較少，大部分是關于地震傷亡情況與救災活動的微博。從圖3中觀察到在8月6號20點左右，由于某名人團體發(fā)起的救援活動以致救災活動話題微博數(shù)突增。在8月9號與10號，因9號是“七日祭”、10號全國默哀3分鐘故關于地震傷亡情況話題微博數(shù)劇增。其子話題分別經(jīng)歷了：地震傷亡情況、救災活動、災后處理工作三個階段。

圖2 基本模型子話題發(fā)展趨勢

圖3 CCRFs模型子話題發(fā)展趨勢

通過圖2、圖3比較可以看出在對災后處理工作的追蹤過程中，基本模型獲取到的子話題只有兩個，且關于救災活動話題微博的捕獲能力不如CCRFs模型，基本模型幾乎沒有獲取到與災后處理話題相關的微博，而本實驗模型卻完全捕獲了其相關微博。話題從地震發(fā)生到災后重建已發(fā)生了漂移，CCRFs模型能夠較準確地跟隨子話題的發(fā)展，追蹤到全部三個子話題，而基本模型遺漏了災后處理子話題，且對救災話題捕獲能力不足?？梢姳疚姆椒ū葌鹘y(tǒng)方法能夠更好地應對話題漂移現(xiàn)象。

本實驗能緩解話題漂移現(xiàn)象，其中自適應話題模型起了重大作用。該模型通過對話題相關微博進行實體識別填充了話題詞典從而實現(xiàn)對初始模型的更新，并對是否相關進行了迭代的模型計算，防止大量救災話題與災后處理話題微博被漏檢而沒跟蹤到相關信息。

4 結 語

本文對微博熱點話題跟蹤采用了基于層疊條件隨機場方法，基于三層模型對微博話題進行跟蹤并在此過程中考慮到了話題漂移現(xiàn)象，根據(jù)自適應模型對話題漂移現(xiàn)象進行緩解，通過實驗與傳統(tǒng)方法進行比較。實驗結果表明，本方法在一定程度上提高了微博話題跟蹤的準確率和召回率。但此實驗過程中仍存在一些問題：1) 由于存在話題集中時間跨度短、微博內(nèi)容非正式等問題，話題追蹤的效果會受一定的影響；2) 實驗效果跟閾值的選定有極大關聯(lián)。因此，對微博文本不正式語法的研究和增強模型穩(wěn)定性是后續(xù)研究的發(fā)展方向。

[1] 王曉巖.微博客熱點話題發(fā)現(xiàn)與跟蹤技術及系統(tǒng)[D].北京:中國科學院大學,2013.

[2] 丁兆云,賈焰,周斌.微博數(shù)據(jù)挖掘研究綜述[J].計算機研究與發(fā)展,2014,51(4):691-706.

[3] 張劍峰,夏云慶,姚建民.微博文本處理研究綜述[J].中文信息學報,2012,26(4):21-27.

[4] Liu Z,Yu W,Chen W,et al.Short text feature selection and classification for microblog miming[C]//Proceedings of CiSE’2010,2010:1-4.

[5] Sriram B,Davis Fuhry,Engin Demir,et al.Short text classification in twitter to improve information filtering[C]//Proceedings of SIGIR’10.Switzerland,2010.

[6] Lin J,Snow R,Morgan W.Smoothing techniques for adaptive online language models:Topic tracking in Tweet streams[C]//Proc of the 17th ACM SIGKDD Int Conf on Knowledge Discovery and Data Mining(KDD’11).New York:ACM,2011:422-429.

[7] Phuvipadawat S,Murata T.Breaking News Detection and Tracking in Twitter[C]//Proc of the 9thIEEE/WIC/ACM Int Conf on Web Intelligence and Intelligent Agent Technology (WI-IAT’10).New York:ACM,2010:120-123.

[8] 王會珍,朱靖波,季鐸,等.基于反饋學習自適應的中文話題跟蹤[J].中文信息學報,2006,20(3):92-98.

[9] 張輝,周敬民,王亮.等.基于三維文檔向量的自適應話題追蹤器模型[J].中文信息學報,2010,24(5):70-76.

[10] 郝秀蘭,胡運發(fā),申情.中文論壇內(nèi)容監(jiān)測的方法研究[J].中文信息學報,2012,26(3):129-136.

[11] Lafferty J,Mccallum A,Perira F.Conditional random fields:Probabilistic models for segmenting and labeling sequence data[C]//Proc.of the 18th Int’l Conf. on Machine Learning (ICML 2001),2001,28(6):282-289.

[12] 張傳巖,洪曉光,彭朝暉,等.基于SVM和擴展條件隨機場的Web實體活動抽取[J].軟件學報,2012,23(10):2612-2627.

[13] Sutton C,Mccallum A.Composition of Conditional Random Fields for transfer learning[C]//Proc of the Human Language Technology Conference on Empirical Methods in Natural Language Processing Vancouver,Canada,2005:748-754.

[14] 鄭敏潔,雷志城,廖祥文,等.基于層疊CRFs的中文句子評價對象抽取[J].中文信息學報,2013,27(3):69-76.

[15] 朱莎莎,劉宗田,付劍鋒,等.基于條件隨機場的中文時間短語識別[J].計算機工程,2011,37(15):164-167.

[16] Nocedal J,Wright S.Numerical Optimization[M].New York,USA:Springer-Verlag,1999.

[17] 邱泉清,苗奪謙,張志飛.中文微博命名實體識別[J].計算機科學,2013,40(6):196-198.

HOT MICROBLOGGING TOPICS TRACKING BASED ON CASCADED CONDITIONAL RANDOM FIELDS

Dai Dan1Hu Yang1Liu Li1Feng Xupeng3Liu Lijun1Huang Qingsong1,2

1(FacultyofInformationEngineeringandAutomation,KunmingUniversityofScienceandTechnology,Kunming650500,Yunnan,China)2(YunnanKeyLaboratoryofComputerTechnologyApplications,Kunming650500,Yunnan,China)3(EducationalTechnologyandNetworkCenter,KunmingUniversityofScienceandTechnology,Kunming650500,Yunnan,China)

Because of the sparse data characteristic of microblogging text, traditional topics tracking technologies can only capture part of the topical microblogs in low accuracy. At the same time, topic drifting problem will appear in tracking process as well. In this paper, we present a CCRFs-based hot microblogging topics tracking method for two problems mentioned above. The method first marks the microblogs possibly correlated with hot topics through identification model, the source microblogs with hot topics and the marked microblogs are used as the classification model’s observation sequence and the state sequence respectively to calculate the correlation classification. Then, by constructing the adaptive model it updates the identification model and weakens the data sparse problem, and selects new observation sequence from correlated microblogs and leaves the rest as new state sequence for iterative classification processing. Experiments showed that this method improved 4.13% in average in value of comprehensive index (F) compared with traditional methods.

Topic tracking Topic drifting Cascaded conditional random fields (CCRFs) Topic dictionary

2014-12-04。國家自然科學基金項目(81360230)；科技部科技型中小企業(yè)技術創(chuàng)新基金項目(13C26215305404)。戴丹，碩士，主研領域：機器學習，自然語言處理。胡楊，碩士。劉驪，副教授。馮旭鵬，碩士。劉利軍，碩士。黃青松，教授。

TP3

A

10.3969/j.issn.1000-386x.2016.04.013