目的/意义：社交媒体海量数据蕴含用户个性化行为特征及社交网络结构特征等信息,划分社交媒体用户类型对深入探究其用户个性化特点及提高社交媒体应用效用等具有重要意义.方法/过程：基于北德克萨斯州大学提供的推特数据集,选取用户信息中命名特征、人口统计学特征和自我描述信息的关键词特征作为Twitter用户的特征集,通过基于树的特征提取方法获得维度为2425的有效特征集,构造基于不同机器学习算法的用户分类模型并对各算法的分类性能进行比较.结果/结论：基于支持向量机和随机梯度下降的分类模型均具有较好的分类性能,其中前者分类效果略优于后者,而后者消耗时间较少、时间效率较高.且通过基于用户粉丝数、关注数等基本信息而非其年龄、性别等隐私信息的数据进行实验发现,研究具有普遍性和高效性.
NETL
