基于超网络的企业微博用户聚类研究及特征分析
发布时间:2025-02-09 15:59
【目的】提出一种对多维用户兴趣数据的集成建模方法,并在此基础上研究用户兴趣的谱聚类方法。【方法】以"三只松鼠"微博数据为实例,采用超网络模型对微博内容及用户互动数据进行整合建模,构建互动兴趣度指数,并结合谱聚类算法划分用户群。通过Silhouette Coefficient及Davies-Bouldin方法对实验结果进行评估。【结果】对比三类用户特征向量的最优聚类效果,发现当k取15时,基于话题互动超网络特征向量的聚类DB值达到0.57,效果优于基于互动数据或博文内容的特征向量,类群之间分布更均匀,类群内部也更紧致。【局限】用户特征数据的选取未能全面涵盖。此外,不同维度数据对用户兴趣的影响程度或可进一步探索。【结论】通过对企业微博用户群体分布情况和兴趣特征的分析,提出对应的维护和营销建议,有助于指导企业更好地发现用户兴趣,提升微博营销效果。
【文章页数】:12 页
【文章目录】:
1 引言
2 研究现状
2.1 微博用户兴趣分析方法
2.2 微博超网络模型
2.3 微博用户兴趣聚类方法
3 企业微博超网络模型构建
3.1 话题子网
3.2 互动子网
3.3 话题互动超网络
4 基于EMTIS的谱聚类算法
4.1 谱聚类算法步骤
4.2 基于EMTIS的用户兴趣特征向量
4.3 用户兴趣相似度计算及相似矩阵构建
5“三只松鼠”微博用户兴趣聚类及特征分析
5.1 微博话题特征词选取
5.2 实验数据分析
5.3“三只松鼠”用户聚类效果评价
5.4 用户兴趣类别特征分析
5.5 讨论及启示
6 结语
本文编号:4032494
【文章页数】:12 页
【文章目录】:
1 引言
2 研究现状
2.1 微博用户兴趣分析方法
2.2 微博超网络模型
2.3 微博用户兴趣聚类方法
3 企业微博超网络模型构建
3.1 话题子网
3.2 互动子网
3.3 话题互动超网络
4 基于EMTIS的谱聚类算法
4.1 谱聚类算法步骤
4.2 基于EMTIS的用户兴趣特征向量
4.3 用户兴趣相似度计算及相似矩阵构建
5“三只松鼠”微博用户兴趣聚类及特征分析
5.1 微博话题特征词选取
5.2 实验数据分析
5.3“三只松鼠”用户聚类效果评价
5.4 用户兴趣类别特征分析
5.5 讨论及启示
6 结语
本文编号:4032494
本文链接:https://www.wllwen.com/kejilunwen/yysx/4032494.html