Twitter中重复消息的分析和处理  

Twitter repeat messages analysis and processing

作　　者：徐凯[1,2] 沙瀛[2] 李阳[3] 单既喜 王晓岩[2] 

机构地区：[1]江西农业大学计算机与信息工程学院,南昌330045 [2]中国科学院信息工程研究所,北京100093 [3]中国科学院计算技术研究所,北京100190

出　　处：《计算机工程与应用》2014年第21期111-115,共5页Computer Engineering and Applications

基　　金：国家自然科学基金(No.61070184);中国科学院战略性科技先导专项(No.XDA06030200);国家科技支撑计划(No.2012BAH46B03)

摘　　要：Twitter已经成为微博中的代表性应用,但是通过分析发现twitter上的消息(推文)有很多完全一致或相似,这对后续对推文的分析和存储都带来很大的问题。为了处理这些内容完全一致或相似的消息(推文),针对推文特有的短文本的特点,基于规则处理完全一致的推文,采用simhash的方法来处理相似性的推文。实验采用实际抓取的240万条推文数据进行分析和处理,分别对中文和英文的推文重复情况进行了分析,实验结果发现重复的推文占总推文的10%左右。Twitter has become the representative applications of the micro-blog. By analysis on twitter a lot of messages （tweets）are the same or similar. Those messages bring up a trouble on the analysis and message storage, so it is needed to remove those messages which are the same or similar. According to the characteristics of short text on tweets, this paper proposes the following approach. It processes the same tweets based on the specific format, then uses the simhash to process the similar tweets. It uses 240 million tweets crawled on the Internet to experiment. In the experiment it only processes Chinese and English tweets. The repetition messages（tweets）is 10 percent of all the Chinese and English tweets.

关 键 词：推特 微博 Simhash 短文本去重 

分 类 号：TP391.1[自动化与计算机技术—计算机应用技术]