[0085]1.8)定义语义本体存储结构，主要包括:(I)本体名称(Ontology Name)和其对应的本体名映射ID号(Ontology Name Mapping ID) ； (2)语义本体(SubOfClass)列表，对应同义词概念；(3)父本体名的映射ID(Parent Ontology Name Mapping ID)，一个父本体内hP ID (Parent Ontology Internal ID)，以及对自身的描述(Descriptor) ; (4)语义本体的ID (Ontology Internal ID)，词性(PartOfSpeech)，组成部件本体列表(Component list)，相关本体/类别/描述列表(Associate Class list)，子本体列表(Subclass list)，实例列表(Instance list)，等价本体列表(Equivalence Ontology list)，近似本体列表(Approximate Ontology list)，反义 / 相反本体列表(Antisense/Opposite Ontologylist)等部分；语义本体采用红黑树结合单链表的模式存储；
[0086]1.9)通过步骤1.7)构建的语义本体，再利用网络资源充实语义本体。
[0087]步骤2)，获取微博用户的微博信息并进行预处理，如图3所示，包括如下步骤:
[0088]2.1)获取微博用户信息，包括账户信息和微博内容信息D ；
[0089]2.2)利用正则表达式过滤掉文本中有特殊意义的微博字符组合，如“O用户名”、“[表情符号]”和短链接“http://t.cn/*”等内容，这些字符串在字面意义上与微博信息本身无直接联系；
[0090]2.3)对微博内容中的英文字符统一进行小写化处理；
[0091]2.4)使用中文分词组件对文本进行分词处理，得到词袋(Bag-words)，在分词的同时标记词性；
[0092]2.5)依照常用的中英文停用词表去除词袋中的停用词；
[0093]2.6)根据标记的词性筛选出词袋中具有较强语义的名词、动名词，得到词袋模型Bff(D) = [bwi，bw2，...，bwn]，其中BW⑶是一个多重集合，同一个词可以出现多次，因此使用方括号而不是花括号标记。
[0094]步骤3)，利用语义本体从词袋模型中提取词，并对有歧义词进行消歧处理，如图4所示，包括如下步骤:
[0095]3.1)对步骤2)中生成的词袋模型BW(D)，建立一个记录每个词出现次数的词频词典，避免之后在同一语境中对屡次出现的同一个词进行重复计算，并利用语义本体对所有词进行处理；
[0096]3.2)遍历词频词典，对于词bw e Bff (D)，在语义本体中进行查找，如果找到了名称与词bw相同的语义本体e，则词bw即为词e ；
[0097]3.3)如果词bw在语义本体e的等价本体列表中，贝U用词e替换词bw ；
[0098]3.4)如果词语bw在语义本体e的相关本体列表中，则词bw是多义词，需要利用语义本体矩阵结合微博内容语境词进行消歧处理；消岐处理为利用语义本体，结合微博内容上下文语境、所属类别等特征，选取最满足当前词义的词；
[0099]3.5)将消歧后词bw对应语义本体名称加入词袋模型BW(D);
[0100]3.6)如果没有找到相对应的本体，说明该词在维基百科中是语义不明显的条目，将词bw删除；
[0101]3.7)判断词频词典中是否所有词语都处理完毕，如是，则结束遍历；如否，重复步骤 3.2) -3.6)，得到词集合 E (D) = [e1； e2,..., em], m ^ η ；
[0102]步骤4)，将消歧后的词映射到维基百科中相应的类别节点上，构造类别子树，如图5所示，包括如下步骤:
[0103]4.1)对步骤3)得到的词集合E(D) = Iie1, e2,...，em]，m彡η的每一个词，在词语义本体中找到词所对应的类别ID，此为第一层类别集合，标记为Cat1⑶，再从Cat1⑶里所有类别成员的页面中找到分别所属的类别ID，此为第二层类别集合，标记为Cat2 (D)，依次类推；设定类别子树最大层数为L，从而根据给定的层次深度L，不断延伸类别层次至高层；
[0104]4.2)对于每一个层次类别ID，在语义本体里找到对应本体名称，过滤掉表示年份的数字、后缀含有如“分类”、“名词”等不适合作为用户标签的词；
[0105]4.3)过滤后的每个类别名称加到对应的Cat1(D)，并在语义本体中找到高一层的类别ID ；
[0106]4.4)若层次深度没有达到要求L，则转4.2)，直到满足深度要求；
[0107]4.5)判断词集合E (D) = Le1, e2,..., em]，m彡η中的所有词是否处理完毕，如否，则执行步骤4.1) -4.4)，从而构造类别子树，各层次类别集为Cat1 (D)，Cat2 (D)，...，CatL (D)。
[0108]步骤5)，针对用户微博内容收集用户标签，如图6所示，对于一条微博D，步骤包括:
[0109]5.1)针对步骤4)得到的各层次类别集Cat1⑶，Cat2 (D)，...，CatjD)，输入层次类别权重系数b (b>l)，创建标签词典T，键为词语，值为权重，初始值为空；
[0110]5.2)遍历步骤3)得到的词集合E(D)，对于e e E (D)，如果以e为名称的标签不存在于标签词典T中，则将e作为键存入标签词典T，初始值为1，即T[e] = 1，否则T[e]=T[e]+1 ；
[0111]5.3)初始化当前所在的类别层1 = 1;
[0112]5.4)遍历各层次类别集Cat1 (D)，对于类别c e Cat1 (D)，如果以类别c为名称的标签不存在于标签词典T里，则加入标签字典T，权重初始值为T [c] = 1/b1 (b>l)，否则修改原有权重值，T[c] = T[c]+l/b1;
[0113]在这里，权重的累加值1/b1与类别子树的层次呈反比关系，也就是说，把较大的权重给子树的根部(代表比较具体的类别)，把较小的权重给子树的叶子(代表比较宽泛的类别)；
[0114]在维基百科中各条目分支结构是不完全相同的，同一个类别名称c可能出现在一棵子树的不同层次，所以某个类别名称c的标签的最终排名依赖于该类别在各个层次出现的加权总和；假设类别权重系数b = 2，如某个类别名称c在第二层出现4次，在第三层出现5次，那么它的权重是:
[0115]2X (1/b4) +3X (1/b5) = 2X (1/24) +3X (1/25) = 0.125+0.09375 = 0.21875 ；
[0116]5.5)如果1〈L(L为类别子树的最大层数)，那么令I = 1+1，转至步骤5.4)，若达到类别子树的最大深度L，则结束；经过上述步骤，输出的标签词典T即为通过一条微博发现的用户标签及其权重；
[0117]5.6)将标签词典T作为用户下一条微博的初始值，重复步骤2)-5)操作进行标签收集，直到最终为用户的所有微博都进行了标签收集。
[0118]步骤6)采用投票策略，最终生成用户标签:
[0119]所谓投票策略，类似于投票选举，得票多的胜出。这里是标签权重高的排在前面，实际上就是对标签按照权重进行排序处理。
[0120]6.1)在确定最终的用户标签时，要注意以下两种情况:一是人物角色，如“洪七公”，不适合作为标签，倾向于采用它们的上一层“射雕英雄传角色”；二是类别非常相关的词，如“线性表”和“二叉树”，针对这种情况，应该选择它们的上一层“数据结构”作为标签；
[0121]6.2)取标签词典T中值排名前2N(本实施例N取值10)位的标签进行处理，删除人物角色并对相关类别的标签进行合并处理；
[0122]6.3)最后，取标签词典T中前10个标签作为微博用户的标签。
[0123]以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
【主权项】
1.一种基于双聚类的微