基于改進K-means算法的微博輿情分析研究*

謝修娟 ，李香菊，莫凌飛

(1.東南大學成賢學院計算機工程系，江蘇 南京 210000;2.東南大學儀器科學與工程學院，江蘇 南京 210000)

1 引言

隨著媒體技術的不斷進步和信息傳播渠道的日趨多元化，當今社會進入了“人人都是新聞傳播者”的自媒體時代。廣大網民參與言論的熱情高漲，特別是微博的興起，網民可以通過電腦、手機隨時隨地發表言論。新浪微博——Twitter[1]類的新興網絡應用，自2009年推出，截至目前，注冊用戶已超過5億，月活躍用戶數約為2億，用戶每日發博量突破1億條[2]。可見，微博上的輿論已成為網絡輿情中極具影響力的一種。如何從海量數據中快速有效地發現網民關注的熱門話題？從而引導政府相關部門及時捕捉微博中敏感的輿論信息，合理地控制負面輿論的擴散。目前，很多政府機關采用全人工或是半自動的監測統計方法，效率低，準確度也低[3,4]。因此，迫切需要一種更為有效的微博熱點話題發現方法。

K-means[5]是一種最為經典、使用最為廣泛的劃分聚類算法，經常被用于網絡輿情的聚類中。但是，其使用有一定的局限性[6 - 8]:(1)需要事先確定聚類數；(2)初始聚類中心的選擇方法不一，選取不當，往往導致最終聚類結果陷入局部最優。針對上述情況，研究者從不同角度提出一系列改進的K-means算法，文獻[9]利用文檔標題的稀疏相似度，確定K-means算法的初始聚類中心；文獻[10]提出用凝聚的層次算法干預K-means算法的隨機選取聚類中心的方式，保證最終的初始聚類中心更具有典型性；……