决策支持系统

决策支持系统课程报告

1．提出问题

该报告主要解决一下三个问题

1.1.什么是网络爬虫(蜘蛛)

1.2.什么是社会媒体：

1.3.如何应用文本挖掘进行社会媒体分析?

2. 回答问题

2.1什么是网络爬虫(蜘蛛)

2.1.1 网络爬虫的来源：

英文名有Spider， Crawler， Bots， Robot， Wanderer，Hotbot等。

狭义的Spider就是指软件程序根据http协议利用超文本链接和检索超文本文档周游互联网信息空间。而广义的Spider则是指利用标准的http协议自动检web 文档的软件程序。世界上第一个用于监测互联网发展规模的“机器人”程序是Matthew Gray开发的World Wide Web Wanderer。刚开始它只用来统计互联网上的服务器数量，后来则发展为能够检索网站域名。与Wanderer相对应，Martin Koster于1993年10月创建了ALIWEB[16]，ALIWEB不使用“机器人”程序，而是靠网站主动提交信息来建立自己的链接索引，类似于现在我们熟知的Yahoo。到1993年底，一些基于此原理的搜索引擎开始纷纷涌现，其中JumpStation[17]、The World Wide Web Worm[18]和Repository Based Software Engineering(RBSE) spider[19]最负盛名。由此网络爬虫一词被广泛应用。

2.1.2一般定义：

网络爬虫（Web Crawler），又称为网络蜘蛛（Web Spider）或Web 信息采集器，是一个自动下载网页的计算机程序或自动化脚本，

是搜索引擎的重要组成部分。网络爬虫通常从一个称为种子集的URL 集合开始运行，它首先将这些URL 全部放入到一个有序的待

爬行队列里，按照一定的顺序从中取出URL 并下载所指向的页面，分析页面内容，提取新的URL 并存入待爬行URL 队列中，如此

重复上面的过程，直到URL 队列为空或满足某个爬行终止条件，从而遍历Web[1]。该过程称为网络爬行（Web Crawling）

2.1.3网络爬虫的分类：

实际的网络爬虫系统通常是几种爬虫技术相结合实现的。网络爬虫按照系统结构和实现技术，大致可以分为以下几种类型：

（1）通用网络爬虫（General Purpose Web Crawler）

通用网络爬虫：又称全网爬虫（Scalable Web Crawler），爬行对象从一些种子URL 扩充到整个Web，主要为门户站点搜索引擎和大型Web 服务提供商采集数据。由于商业原因，它们的技术细节很少公布出来。这类网络爬虫的爬行范围和数量巨大，对于爬行速度和存储空间要求较高，对于爬行页面的顺序要求相对较低，同时由于待刷新的页面太多，通常采用并行工作方式，但需要较长时

间才能刷新一次页面。虽然存在一定缺陷，通用网络爬虫适用于为搜索引擎搜索广泛的主题，有较强的应用价值。通用网络爬虫的结构大致可以分为页面爬行模块、页面分析模块、链接过滤模块、页面数据库、URL 队列、初始URL 集合几个部分。

通用网络爬虫的爬行策略：深度优先策略、广度优先策略。

1) 深度优先策略：其基本方法是按照深度由低到高的顺序，依次访问下一级

网页链接，直到不能再深入为止。爬虫在完成一个爬行分支后返回到上一链接节点进一步搜索其它链接。当所有链接遍历完后，爬行任务结束。这种策略比较适合垂直搜索或站内搜索，但爬行页面内容层次较深的站点时会造成资源的巨大浪费；

2) 广度优先策略：此策略按照网页内容目录层次深浅来爬行页面，处于较浅目录层次的页面首先被爬行。当同一层次中的页面爬行完毕后，爬虫再深入下一层继续爬行。这种策略能够有效控制页面的爬行深度，避免遇到一个无穷深层分支时无法结束爬行的问题，实现方便，无需存储大量中间节点，不足之处在于需较长时间才能爬行到目录层次较深的页面。

（2）聚焦网络爬虫

聚焦网络爬虫（Focused Crawler），又称主题网络爬虫（Topical Crawler），是指选择性地爬行那些与预先定义好的主题相关页面的网络爬虫。和通用网络爬虫相比，聚焦爬虫只需要爬行与主题相关的页面，极大地节省了硬件和网络资源，保存的页面也由于数量少而更新快，还可以很好地满足一些特定人群对特定领域信息的需求。聚焦网络爬虫和通用网络爬虫相比，增加了链接评价模块以及内容评价模块。

聚焦爬虫爬行策略实现的关键是评价页面内容和链接的重要性，不同的方法计算出的重要性不同，由此导致链接的访问顺序也不同。

聚焦网络的爬行策略：

1) 基于内容评价的爬行策略：将文本相似度的计算方法引入到网络爬虫中，用

Fish Search 算法，将用户输入的查询词作为主题，包含查询词的页面被视为与主题相关，其局限性在于无法评价页面与主题相关度的高低。有人对Fish Search 算法进行了改进，提出了Sharksearch算法，利用空间向量模型计算页面与主题的相关度大小；

2) 基于链接结构评价的爬行策略：Web 页面作为一种半结构化文档，包含很多结构信息，可用来评价链接重要性。PageRank 算法最初用于搜索引擎信息检索中对查询结果进行排序，也可用于评价链接重要性，具体做法就是每次选择PageRank 值较大页面中的链接来访问。另一个利用Web结构评价链接价值的方法是HITS 方法，它通过计算每个已访问页面的Authority 权重和Hub 权重，并以此决定链接的访问顺序。

3) 基于增强学习的爬行策略：，利用贝叶斯分类器，根据整个网页文本和链接文本对超链接进行分类，为每个链接计算出重要性，从而决定链接的访问顺序；4) 基于语境图的爬行策略：Diligenti 等人提出了一种通过建立语境图（Context Graphs）学习网页之间的相关度，训练一个机器学习系统，通过该系统可计算当前页面到相关Web 页面的距离，距离越近的页面中的链接优先访问。印度理工大学（IIT）和IBM 研究中心的研究人员开发了一个典型的聚焦网络爬虫。该爬虫对主题的定义既不是采用关键词也不是加权矢量，而是一组具有相同主题的网页。它包含两个重要模块：一个是分类器，用来计算所爬行的页面与主题的相关度，确定是否与主题相关；

（3）增量式网络爬虫（Incremental Web Crawler）

增量式网络爬虫（Incremental Web Crawler）是指对已下载网页采取增量式更新和只爬行新产生的或者已经发生变化网页的爬虫，它能够在一定程度上保证所爬行的页面是尽可能新的页面。和周期性爬行和刷新页面的网络爬虫相比，增量式爬虫只会在需要的时候爬行新产生或发生更新的页面，并不重新下载没有发生变化的页面，可有效减少数据下载量，及时更新已爬行的网页，减小时间和空间上的耗费，但是增加了爬行算法的复杂度和实现难度。

增量式网络爬虫的体系结构包含爬行模块、排序模块、更新模块、本地页面集、待爬行URL 集以及本地页面URL 集。

增量式爬虫有两个目标：保持本地页面集中存储的页面为最新页面和提高本地页面集中页面的质量。

为实现第一个目标，增量式爬虫需要通过重新访问网页来更新本地页面集中页面内容，常用的方法有：

1) 统一更新法：爬虫以相同的频率访问所有网页，不考虑网页的改变频率；

2) 个体更新法：爬虫根据个体网页的改变频率来重新访问各页面；

3) 基于分类的更新法：爬虫根据网页改变频率将其分为更新较快网页子集和更新较慢网页子集两类，然后以不同的频率访问这两类网页。

为实现第二个目标，增量式爬虫需要对网页的重要性排序，常用的策略有：广度优先策略、PageRank 优先策略等

（4）深层网络爬虫（Deep Web Crawler）

Deep Web 是那些大部分内容不能通过静态链接获取的、隐藏在搜索表单后

的，只有用户提交一些关键词才能获得的Web 页面。Deep Web 爬虫爬行过程中最重要部分就是表单填写，包含两种类型：

1) 基于领域知识的表单填写：此方法一般会维持一个本体库，通过语义分析

来选取合适的关键词填写表单。Yiyao Lu等人提出一种获取Form 表单信息的

多注解方法，将数据表单按语义分配到各个组中，对每组从多方面注解，结合各种注解结果来预测一个最终的注解标签；郑冬冬等人利用一个预定义的领域本

体知识库来识别Deep Web 页面内容，同时利用一些来自Web 站点导航模式来识别自动填写表单时所需进行的路径导航；

2) 基于网页结构分析的表单填写：此方法一般无领域知识或仅有有限的领

域知识，将网页表单表示成DOM 树，从中提取表单各字段值。Desouky 等人提出一种LEHW 方法，该方法将HTML 网页表示为DOM 树形式，将表单区分为单属性表单和多属性表单，分别进行处理；孙彬等人提出一种基于XQuery 的搜索系统，它能够模拟表单和特殊页面标记切换，把网页关键字切换信息描述为三元组单元，按照一定规则排除无效表单，将Web 文档构造成DOM 树，利用XQuery 将文字属性映射到表单字段。

Deep Web 包含六个基本功能模块（爬行控制器、解析器、表单分析器、表单处理器、响应分析器、LVS 控制器）和两个爬虫内部数据结构（URL 列表、LVS 表）。其中LVS（Label Value Set）表示标签/数值集合，用来表示填充表单的数据源。

2.1.4爬虫技术研究

基于目标数据模式的爬虫针对的是网页上的数据，所抓取的数据一般要符合一定的模式，或者可以转化或映射为目标数据模式。

另一种描述方式是建立目标领域的本体或词典，用于从语义角度分析不同特征在某一主题中的重要程度。

2.2.什么是社会媒体：

媒体：所谓媒体，是指传播信息的介绍，通俗的说就是宣传的载体或平台，能为信息的传播提供平台的就可以称为媒体了。

2.2.1社会媒体的定义

社会化媒体是一个近来出现的概念，大致上指的是“能互动的”媒体，或者说，如果缺乏用户的有效参与，平台基本上就毫无内容的媒体。社会化媒体改变以往媒体一对多的传播方式为多对多的“对话”。在社会化媒体领域，有两个关键词：UGC（用户创造内容）和CGM（消费者产生的媒体）。是一类新型的在线媒体，最容易被使用者理解。

2.2.2社会媒体的特征

社会化媒体是一种给与用户极大参与空间的新型在线媒体，它具有以下的特征：

·（1）参与：社会化媒体可以激发感兴趣的人主动地贡献和反馈，它模糊了媒体和受众之间的界限;

·（2）公开：大部分的社会化媒体都可以免费参与其中，他们鼓励人们评论、反馈和分享信息。参与和利用社会化媒体中的内容几乎没有任何的障碍; ·（3）交流：传统的媒体采取的是“播出”的形式，内容由媒体向用户传播，单向流动。而社会化媒体的优势在于，内容在媒体和用户之间双向传播，这就形成了一种交流;

·（4）对话：传统媒体以“播出”的形式，将内容单向传递给受众。而社会化媒体则多被认为具有双向对话的特质;

·（5）社区化：在社会化媒体中，人们可以很快地形成一个社区，并以摄影、政治话题或者电视剧等共同感兴趣的内容为话题，进行充分的交流; ·（6）连通性：大部分的社会化媒体都具有强大的连通性，通过链接，将多种媒体融合到一起.

2.2.3社会媒体的基本形式：

主要有：

社会网络（Social Networks，比如MySpace、Facebook）、博客、维基（Wikis，比如Wikipedia）、

播客（比如Apple iTunes）、论坛（Forum，比如天涯社区、各类BBS）、内容社区（Content Communities，比如分享照片的Flickr，分享视频的YouTube）

2.2.4研究社会媒体的关注原因：

话语权的平民化

越来越多的媒体事件会对企业产生一定的影响

从QQ和360的战争分析,可以看到社会媒体的观点态度对战争的偏向与利弊. 企业自充分利用媒体工具与资源，挖掘潜在价值，为企业创造无形资产.

可用于商品的推荐

2.3.如何应用文本挖掘进行社会媒体分析?

2.3.1文本挖掘基本思想

首先利用文本切分技术,抽取文本特征,将文本数据转化为能描述文本内容的结构化数据,然后利用聚类、分类技术和关联分析等数据挖掘技术,形成结构化文本,并根据该结构发现新的概念和获取相应的关系。

2.3.2应用文本挖掘进行社会媒体分析的方法

1.文本的特征表示

特征表示是指以一定的特征项(如词条或描述)来代表文档信息,特征表

示模型有多种,常用的有布尔逻辑型、向量空间型、概率型等。

对文本进行预处理,抽取其特征并用结构化的形式保存,作为文档的中间表示形式.

近年来应用较多且效果较好的特征表示法是向量空间模型(Vector Space Model , VSM) 法。在VSM 中,将每个文本文档d 看成是一组词条( T1 , T2 , ?, Tn) 构成, 对于每一词条Ti ,都根据其在文档d 中的重要程度赋予一定的权值Wi ,可以将其看成一个n 维坐标系, W1 , W2 , ?, Wn 为对应的坐标值

这种向量空间模型的表示方法, 可以将d 中出现的所有单词作为Ti ,也可以将

d 中出现的所有短语作为Ti , 从而提高特征表示的准确性。Wi ( d) 一般被定义为Ti 在d 中出现率tf i ( d) 的函数,即Wi ( d) = Ψ( tf i ( d) ) 。常用的Ψ有:

布尔函数:Ψ =tf i ( d) ≥1, tf i ( d) = 0

平方根函数:Ψ = tf i ( d)

对数函数:Ψ = lg( tf i ( d) + 1)

TFIDF 函数:Ψ = tf i ( d) ×lg(N/ni)

N 为所有文件的数目, ni 为含有词条Ti 的文件数目。

2. 文本的特征子集的选取

首先进行维数压缩的工作。构造一个评价函数对特征子集进行选取,对特征集中的每一个特征进行独立的评估,这样每个特征都获得一个评估分,然后对所有的特征按照其评估分的大小进行排序,选取预定数目的最佳特征作为结果的特征子集。一般用的评估函数有几率比(Odds ratio) 、信息增益( Information Gain) 、期望交叉熵( Expected CrossEntropy) 、互信息( Mutual Information) 、词频( WordFrequency) 等。

3. 社会媒体的文本分类

文本分类是一种典型的有指导机器学习问题,一般分为训练和分类两个阶段

具体过程如下:

一.训练阶段:

(1) 根据社会媒体的专业领域已有的分类体系, 事先确定类别的集合C = { c1 , ?, ci , ?, cm) , 这些类别可以是层次式的,也可以是并列式的；

(2) 选择适量具有代表性的文档, 给出训练文档集合S = { s1 , ?, sj , ?, sn} ；

(3) 对于S 中的每个训练文档sj , 确定其所属的类别ci ；

(4) 抽取训练文档sj 的特征, 得到特征向量V( sj) ;

(5) 统计S 中所有文档的特征矢量V ( sj ) , 以此确定代表C 中每个类别的特征矢量V ( ci) ；

二.分类阶段:

(1) 对于测试文档集合T = { d1 , ?, dk , ?, dr} 中的每个待分类文本dk , 计

算其特征矢量V( dk) 与每个V( ci) 之间的相似度sim( dk , ci) ；

(2) 选取相似度最大的一个类别作为dk 的类别。有时也可以为dk 指定多个类别, 只要dk 与这些类别之间的相似度超过某个预定的阈值。如果dk与所有

类别的相似度均低于阈值, 那么通常将该文档放在一边, 由社会媒体的用户来做最终决定。对于类别与预定义类别不匹配的文档而言, 这是合理的, 也是必需的。如果这种情况经常发生, 则说明需要修改预定义类别, 然后重新进行上述训练与分类过程。在计算sim ( dk ,ci) 时, 有多种方法可供选择。最简单的方法是仅考虑两个特征矢量中所包含的词条的重叠程度。即

sim( dk , ci) =n1 ( dk , ci)/ny ( dk , ci)

其中, n1 ( dk , ci) 是V( dk) 和V( ci) 具有的相同词条数目, ny ( dk , ci ) 是V ( dk ) 和V ( ci ) 具有的所有词条数目。最常用的方法是考虑两个特征矢量之间的夹角余弦,即

sim( dk , ci) =（V( dk) ·V( ci)）/（| V( dk) | ×| V( ci) |）

训练方法和分类算法是分类系统的核心部分, 目前存在多种基于向量空间模型的训练算法和分类算法 ,例如, 支持向量机算法、神经网络方法、最大平均熵方法、最近K - 邻居方法和贝叶斯方法等等。

4. 社会媒体中文本的聚类

文本聚类是从给定的文档本身出发,根据文档特征词矢量,将相关者聚成一类。根据文本聚类的结果不同, 可以将聚类方法分为层次聚类法和平面聚类法两种类型。

一.对于选定的文档集合D = { d1 , ?, di , ?, dn} ,

层次聚类的过程如下:

(1) 将D 中的每一个文档di 作为一个聚类中心ci= { di} , 形成D 的一个聚类集合C = c1 , ?, ci , ?,cn} ；

(2) 计算C 中每个聚类对( ci , cj) 之间的相似度sim( ci , cj) ；

(3) 选取具有最大相似度的两个聚类( ci , cj)———max sim ( ci , cj) ,将合并成一个新的聚类ck = ci∪cj ,同时合并ci 和cj 的特征矢量,从而构成了D 的一个新聚类集合C = { c1 , ?, ck , ?, cn - 1} ；

(4) 重复上述步骤, 根据所要产生聚类的数目和相似度阈值限制,得到最终聚类结果。平面划分法与层次凝聚法的区别在于, 它将文档集合水平地分割为若干个聚类, 而不是生成层次化的嵌套聚类。

二.对于给定的文档集合D = { d1 , ?, di , ?, dn} ,

平面划分法的具体过程如下:

(1) 确定要生成的聚类的数目k ;

(2) 抽取D 中每个文档的特征矢量V( di) ;

(3) 从D 中抽取k 个文档形成聚类的中心S ={ s1 , ?, sj , ?, sk} 。为了提高聚类的准确度,在确定聚类中心时应该依据一定的原则。常用的确定聚类中心的方法有逆中心距法和密度测试法等。

(4) 对 D 中剩下的文档, 依次计算它们与各个聚类中心的相似度sim ( di ,

sj ) 。根据预定的相似度阈值,将文档聚集在聚类中心的周围,形成稳定的聚类结果。

2.3.3应用文本挖掘分析社会媒体的实现

1.上述方法通过用软件编程可以实现对社会媒体的分析

2.也可以用文本分析工具进行分析

（1）opinionfinder

工作机制：收集大量社会媒体文本，将每个词条标记为“positive”或者“negative”形成词条字典。输入某个文本信息，根据词条感情色彩，通过词条匹配，计算“positive”值，每匹配一次positive值+1，negative值相类似。最后计算比例，判断社会媒体情绪，以及观点态度大致方向。

（2） GPOMS（Google-Profile of MoodStates）

输入文本，与词典中的词长的词条进行匹配，得出一个文本得分表，该表作中的词条作为社会媒体代表性的词条

文本分析工具目前了解到可以进行社会媒体的情绪，态度，观点的一个分析一般的做法都是将大量发表在社会媒体上的文本信息进行处理,比如去掉同一天的统一网址的信息,结束语,标点符号.将这些大量的词条收集起来,形成文本分析的数据字典,可以把社会媒体上的情绪划分为不同的维度，将数据字典中的词条标记为某几个个维度的某一维，比如将“好”标记为“开心”这个维度。然后再统计出各个维度的比例，这样就能分析出社会媒体在某件事，还有状态的排名可以了解到对某一事件的关注度，和该事件的影响程度。

参考文献：

【1】网络爬虫技术的研究. 孙立伟，何国辉，吴礼发，南京.第 6 卷第15 期2010 年5 月

【2】网络爬虫，杨松梅. 吉林长春

【3】基于Web 的文本挖掘技术研究.许高建.合肥工业大学计算机与信息学院.230009第17 卷第6 期

【4】WEB文本挖掘的研究.吴岳芬，刘洪辉.华中科技大学计算机学院硕士研究生, 湖北武汉430000

【5】Twitter mood predicts the stock market. Xiao-Jun Zeng. School of Computer Science, The University of Manchester,United Kingdom2010.10.14 【6】Research on Text Mining Techniques Web –Based.XU Gao2jian1. School of Computer & Information , Hefei University of Technology , Hefei 230009 ,China

【7】S-SimRank： Combining Content and Link Information to Cluster Papers Effectively and Efficiently*CAI Yuanzhe1，2，LI Pei1，2，LIU Hongyan3，HE Jun1，2+，DU Xiaoyong1. School of Information，Renmin University of China，Beijing 100872，China