本發(fā)明涉及索引技術(shù)領(lǐng)域，尤其涉及一種社交網(wǎng)絡(luò)文本數(shù)據(jù)的索引方法。

背景技術(shù)：

自互聯(lián)網(wǎng)的發(fā)展從web1.0步入web2.0的新時(shí)代后，各種各樣的由用戶主導(dǎo)而生成的內(nèi)容互聯(lián)網(wǎng)產(chǎn)品隨之發(fā)展起來，如博客、rss等。在線社交網(wǎng)絡(luò)服務(wù)(socialnetworkingservice，sns)發(fā)展成為網(wǎng)絡(luò)上最受歡迎的應(yīng)用。各種在線社交網(wǎng)絡(luò)服務(wù)網(wǎng)站都出現(xiàn)在人們眼前，如twitter，facebook，新浪微博等。在現(xiàn)實(shí)世界中，人們通過結(jié)識更多的人以擴(kuò)展自己的社交圈，更優(yōu)更廣的社交關(guān)系往往是一個(gè)人自身價(jià)值與自我發(fā)展的關(guān)鍵。而在這些在線社交網(wǎng)絡(luò)中，用戶可以發(fā)布自己的狀態(tài)或者了解最近的好友狀態(tài)，或者分享給他人生活體驗(yàn)，與好友互發(fā)消息、照片及視頻等。這彌補(bǔ)了由于身在異地或者其他原因無法面對面溝通交流的遺憾，在線社交網(wǎng)絡(luò)現(xiàn)在提供一種新興又非常普適的交友方式，依靠其真實(shí)性、便利性、可玩性以及穩(wěn)定性、方便熟人朋友間的溝通、也為陌生人之間提供了認(rèn)識的橋梁等特點(diǎn)得到了人們的認(rèn)可和青睞。定位技術(shù)的發(fā)展應(yīng)用，并且又結(jié)合gis地理信息系統(tǒng)，確定用戶是基于地理的位置服務(wù)(locationbasedservice，lbs)也快速發(fā)展開來。社交網(wǎng)站引入用戶主動簽到機(jī)制，并適當(dāng)整合用戶位置信息與社交信息，可在簽到行為的基礎(chǔ)上提供后續(xù)有價(jià)值的服務(wù)。

盡管社交網(wǎng)站實(shí)現(xiàn)了各種各樣技術(shù)特點(diǎn)的功能，但是它們主要的“骨干”是一組組可見的個(gè)人文本或者圖片等信息。這些信息是用戶唯一可以自己輸入的。一個(gè)人加入一個(gè)社交網(wǎng)絡(luò)后，會被要求填寫包含一系列問題的表單，通常包含一些特有的描述，如年齡、地址、興趣和自我介紹。大多數(shù)網(wǎng)站還鼓勵(lì)用戶上傳個(gè)人照片。有些網(wǎng)站允許用戶提交一些多媒體文件或者修改個(gè)人基本信息來提升個(gè)人賬號的形象。不同的社交網(wǎng)站的用戶能見度情況也是不一樣的。默認(rèn)情況下，這些用戶信息都可以被查看，但是也存在一些社交網(wǎng)站是收費(fèi)查看，或者是只對好友開放查看，或者是只允許其他人查看部分的信息。由于在可見性和訪問方式的區(qū)別下，社交網(wǎng)站也相互區(qū)別開來。

當(dāng)用戶在加入一個(gè)社交網(wǎng)站時(shí)，識別系統(tǒng)會推薦與其有關(guān)系的其他用戶。這些關(guān)系的標(biāo)簽主要分為朋友，聯(lián)系人，粉絲等。大多數(shù)社交網(wǎng)站需要雙向確認(rèn)友誼。單向的關(guān)系則會被貼上粉絲的標(biāo)簽。而朋友的標(biāo)簽也可能會誤導(dǎo)人，因?yàn)檫@種連接不一定意味著日常關(guān)系上的友誼，因?yàn)槿藗兟?lián)系的原因是多種多樣的。除了用戶的個(gè)人信息之外，社交網(wǎng)絡(luò)還提供結(jié)識朋友、發(fā)表評論和發(fā)送私人消息等功能。有的社交網(wǎng)站會提供照片分享或者視頻分享的功能，或者是內(nèi)置博客和即時(shí)消息傳遞功能。許多社交網(wǎng)站的目標(biāo)用戶會是特定的地理區(qū)域或者特定語言使用團(tuán)體，盡管實(shí)際上可能并不是特定的目標(biāo)用戶。

隨著位置服務(wù)(locationbasedservice，lbs)與社交網(wǎng)絡(luò)逐漸融合，形成了基于位置的社交網(wǎng)絡(luò)(location-basedsocialnetworks，lbsn)，它通過移動用戶的位置簽到功能，把線上虛擬社會與線下真實(shí)世界關(guān)聯(lián)在一起，實(shí)現(xiàn)用戶位置定位的同時(shí)，還實(shí)現(xiàn)了位置信息在虛擬網(wǎng)絡(luò)世界的共享和傳播，從而衍生出多種多樣的位置服務(wù)，其中，推薦系統(tǒng)作為目前解決信息過濾和個(gè)性化服務(wù)問題的重要技術(shù)手段之一，在位置服務(wù)中發(fā)揮著越來越重要的作用。

社交網(wǎng)絡(luò)的快速崛起和廣泛應(yīng)用，讓更多的人加入到社交網(wǎng)絡(luò)中進(jìn)行信息交流活動。人們產(chǎn)生，傳播和使用信息的方式被社交網(wǎng)絡(luò)所改變。社交網(wǎng)絡(luò)與傳統(tǒng)的互聯(lián)網(wǎng)絡(luò)不同：傳統(tǒng)互聯(lián)網(wǎng)中的用戶只是信息的接收者，他們只能通過網(wǎng)站瀏覽信息；在社交網(wǎng)絡(luò)中，用戶除了作為信息消費(fèi)者，又是信息的發(fā)布者和傳播者。用戶可以在社交網(wǎng)絡(luò)中發(fā)布信息，并且被發(fā)布出來的信息通過社交網(wǎng)絡(luò)平臺在用戶群體之間傳播。例如，用戶在facebook上分享自己的觀點(diǎn)，關(guān)注那些自己會感興趣的信息，并將這些信息分享給好友。又如，在twitter和新浪微博上，用戶可以發(fā)表自己的微博，添加好友，也可以向粉絲們分享自己的興趣愛好信息等。

目前，社交網(wǎng)絡(luò)中的用戶規(guī)模和用戶發(fā)布的信息增量迅猛，而包含著地理位置信息的內(nèi)容也在被越來越多的人所關(guān)注。社交網(wǎng)絡(luò)所提供的信息是很豐富的。一般情況下，人們使用社交網(wǎng)絡(luò)平臺與朋友保持聯(lián)系和尋求各種不同的社會信息?，F(xiàn)在，廣泛采用了的全球定位系統(tǒng)的移動終端和基于位置的移動服務(wù)(lbs)的成功使得社交媒體數(shù)據(jù)能夠獲取到地理位置信息。地理位置標(biāo)記微博在分享言論和意見、獲取新聞和了解現(xiàn)實(shí)世界的真實(shí)事件上發(fā)揮了重要的作用。因此基于位置的社交網(wǎng)絡(luò)成為了豐富的含有地理信息的資源。

但是，當(dāng)前的傳統(tǒng)主流搜索引擎大多在從含有豐富的關(guān)鍵詞的長文本中獲取相關(guān)的信息，這種方式并不適合包含一些關(guān)鍵字信息的短文本社交媒體數(shù)據(jù)。當(dāng)前流行的微博它們自身也提供了一些實(shí)時(shí)搜索服務(wù)，搜索返回與用戶輸入的關(guān)鍵字相關(guān)的高排名的微博，然而這種搜索并沒有包含所發(fā)微博的空間信息，對于用戶來說，用戶可能希望自己的搜索結(jié)果是結(jié)合了微博的空間信息之后，獲取到的最合適的信息。并且，現(xiàn)有的技術(shù)在進(jìn)行相關(guān)信息的索引時(shí)，都是根據(jù)單一的關(guān)鍵字或者單一的信息點(diǎn)進(jìn)行搜索，使得搜索準(zhǔn)確性降低，搜索的工作量增大，降低了用戶的體驗(yàn)，為用戶進(jìn)行有效信息的查找?guī)聿槐恪?/p>

技術(shù)實(shí)現(xiàn)要素：

針對上述問題，本發(fā)明的目的在于提供一種社交網(wǎng)絡(luò)文本數(shù)據(jù)的索引方法，在顧及關(guān)鍵詞相關(guān)性的同時(shí)，考慮地理位置的相關(guān)性。

為了解決背景技術(shù)中所存在的問題，本發(fā)明的技術(shù)方案為：

一種社交網(wǎng)絡(luò)文本數(shù)據(jù)的索引方法，包括以下步驟：

1)、獲取需求用戶的地理位置，根據(jù)需求用戶輸入的需求，對社交網(wǎng)絡(luò)中的文本數(shù)據(jù)進(jìn)行分詞處理，獲取與需求用戶的需求相匹配的關(guān)鍵詞組；

2)、根據(jù)所獲取的關(guān)鍵詞組，建立索引樹dlir-tree，所述索引樹dlir-tree的每個(gè)節(jié)點(diǎn)包含一系列的社交網(wǎng)絡(luò)文本的發(fā)送用戶，每個(gè)節(jié)點(diǎn)的發(fā)送用戶都是由該節(jié)點(diǎn)的下一層的子樹所包含的發(fā)送用戶的集合；

3)、根據(jù)需求用戶的需求、地理位置及區(qū)域半徑查詢索引樹dlir-tree，得到相應(yīng)的文本數(shù)據(jù)。

所述步驟1)具體包括：

1.1、對待處理的文本數(shù)據(jù)進(jìn)行分詞停用詞、標(biāo)點(diǎn)符號、表情處理，得到處理后的文本數(shù)據(jù)；

1.2、利用正向匹配策略與逆向匹配策略對處理后的文本數(shù)據(jù)對文本數(shù)據(jù)分詞，通過相互的信息比對，以及歧義詞語對的互信值比較，以互信值高一組為最終的分詞結(jié)果，輸出分詞集合。

所述步驟2)具體包括：

定義dlir-tree葉子節(jié)點(diǎn)對象<l，λ，ψ，f>，其中每個(gè)實(shí)體對象都包含了地理位置信息l，λ為存在一個(gè)與該地理位置對應(yīng)的最小邊界矩形mbr屬性，與地理位置相關(guān)聯(lián)的文本關(guān)鍵詞ψ，并且存在集合f代表一組發(fā)送用戶，這組發(fā)送用戶在該地理位置上簽到過的；

定義dlir-tree非葉子節(jié)點(diǎn)對象<r，λ，ψ，f>，其中，r表示了孩子節(jié)點(diǎn)對象的集合，λ為其孩子節(jié)點(diǎn)的地理位置所組成的對應(yīng)的最小邊界矩形mbr屬性，最小邊界矩形對所要查詢的區(qū)域用戶做相應(yīng)的匹配計(jì)算，ψ對應(yīng)了所有的孩子節(jié)點(diǎn)所包含的文本關(guān)鍵詞，f為對象中一組在該區(qū)域做過簽到行為且發(fā)表過文本的發(fā)送用戶。

所述步驟3)具體包括：

給定一個(gè)查詢需求q、給出一個(gè)非葉子節(jié)點(diǎn)實(shí)體e，以及它的最小邊界矩形e.λ，用trq(p)表示對象實(shí)體p對應(yīng)的關(guān)聯(lián)倒排文本與查詢q的關(guān)鍵詞的相關(guān)度，對于任意屬于節(jié)點(diǎn)e的對象實(shí)體p，均有對于文本簽到位置與需求用戶發(fā)起查詢的地理位置之間的社會距離相關(guān)性的公式：

在上述公式中，sdq(p)表示對象實(shí)體p對于用戶u發(fā)起的查詢的社會距離相關(guān)性，其中，α∈[0，1)，常量1保證了計(jì)算的相關(guān)性永遠(yuǎn)不會等于零。

與現(xiàn)有技術(shù)相比較，本發(fā)明的有益效果為：

本發(fā)明提供了一種社交網(wǎng)絡(luò)文本數(shù)據(jù)的索引方法，同時(shí)考慮文本數(shù)據(jù)和地理位置的混合索引結(jié)構(gòu)，簡稱dlir-tree，以便于根據(jù)用戶的需求快速搜索得到符合需求及在區(qū)域范圍內(nèi)與關(guān)鍵詞組相關(guān)的文本信息，并且能夠通過邊界評分方式提供搜索空間的剪枝能力，通過利用地理位置已經(jīng)查詢的需求建立索引，增大了索引能力，減低了索引的數(shù)據(jù)處理量，提供了工作效率。

附圖說明

圖1是本發(fā)明社交網(wǎng)絡(luò)文本數(shù)據(jù)的索引方法流程圖；

圖2是本發(fā)明社交網(wǎng)絡(luò)文本數(shù)據(jù)的索引方法dlir-tree結(jié)構(gòu)圖；

圖3是本發(fā)明實(shí)施例微博倒排索引結(jié)構(gòu)圖；

圖4是本發(fā)明實(shí)施例地理位置圖；

圖5是本發(fā)明實(shí)施例倒排文件圖。

具體實(shí)施方式

下面結(jié)合附圖對本發(fā)明做詳細(xì)描述。

用戶可能通過移動終端發(fā)表一條文本的時(shí)候，該移動終端支持位置定位服務(wù)，那么用戶可以選擇是否標(biāo)記地理位置進(jìn)行簽到，但是并不是所有的移動終端都支持位置定位服務(wù)，也可能用戶不讓別的用戶或者好友看見自己在何地發(fā)表微博而故意不簽到。針對這種情況，本發(fā)明對帶有地理位置信息的社交網(wǎng)絡(luò)數(shù)據(jù)節(jié)點(diǎn)進(jìn)行處理。

如圖1所示，本發(fā)明提供了一種社交網(wǎng)絡(luò)文本數(shù)據(jù)的索引方法，包括以下步驟：

1)、獲取需求用戶的地理位置，根據(jù)需求用戶輸入的需求，對社交網(wǎng)絡(luò)中的文本數(shù)據(jù)進(jìn)行分詞處理，獲取與需求用戶的需求相匹配的關(guān)鍵詞組；

1.1、對待處理的文本數(shù)據(jù)進(jìn)行分詞停用詞、標(biāo)點(diǎn)符號、表情處理，得到處理后的文本數(shù)據(jù)；

定義漢字字符集合∑＝{c1，…，ci，…，cn}，其中c1表示漢字的字符，∑*表示在字符集∑上的字符串集合。

定義分詞規(guī)則為κ表示在某種語境下，對于w∈∑*，k∈κ，符合seg(w，k)＝1說明w是一個(gè)詞語，seg(w，k)＝0就表示w不是詞語。一般來說，當(dāng)把κ退化為一個(gè)詞庫v時(shí)，seg(w，k)＝1(w∈v)，或者

定義針對應(yīng)用d(applicationdomain)的詞匯及(詞庫)：

vd＝{w1，…，wi，…，wv|wi∈∑*}，并且應(yīng)用d滿足segd(wi)＝1。

不考慮對d的限制，認(rèn)為任何詞庫都可以作為參考，vd簡記為v。于是v^*表示在v的詞匯串集合。

定義tail(s)＝tail(c0c1…ck)＝ck，head(s)＝c0，vcat(ci，cj)＝cicj，ci，cj∈s。

定義如果存在字符串s∈s，是s＝c1c2…cn的一種分詞結(jié)果，記為

定義將分詞規(guī)則定義為k，中文分詞問題就成為了利用計(jì)算機(jī)解決式子：

中文分詞方法中，常用的方法主要有正向最大匹配分詞法(forwardmaximummatchingmethod，fmm)和逆向最大匹配分詞法(reversemaximummatchingmethod，rmm)。

正向最大匹配分詞法fmm主要依據(jù)了分詞詞典來進(jìn)行詞語切分，它的思想是：假定如果分詞詞典中最大長度詞條的長度為n即該詞條由n個(gè)字符組成，首先獲取文檔的中文短語，然后讀取當(dāng)前中文短語中的前n個(gè)字符，這些字符就是需要匹配的字符串，然后開始分詞操作，與分詞詞典中的詞語進(jìn)行匹配，如果詞典中有這個(gè)字符串形成的詞語，那么匹配成功，這個(gè)字符串就是一個(gè)詞語被切分出來；如果詞典中找不到對應(yīng)這樣的一個(gè)詞語，就認(rèn)為匹配失敗，此時(shí)去掉字符串最后一個(gè)字符，繼續(xù)進(jìn)行匹配，直到匹配成功出一個(gè)詞或者字符串只剩下一個(gè)字符結(jié)束匹配。以偽代碼的形式在下面給出正向最大匹配分詞法的描述：

逆向最大匹配分詞方法rmm與正向最大匹配分詞方法fmm的基本原理相同，但是不同的地方在于分詞切分掃描的方向與fmm方法是相反的。逆向最大匹配分詞法從文檔的末尾處進(jìn)行匹配，使用逆序詞典作為分詞詞典，其中每個(gè)詞語都是正常詞語的逆序形式。在算法中，首先要對被處理文檔進(jìn)行逆序的操作，生成逆序文檔。接著采用逆序詞典對逆序文檔進(jìn)行匹配。由于中文語句大多是偏正結(jié)構(gòu)的形式，從后向前的匹配策略能夠使得分詞的準(zhǔn)確率得到提升。以偽代碼的形式在下面給出逆向最大匹配分詞法的描述：

歧義詞語是中文分詞中經(jīng)常會出現(xiàn)的問題。中文歧義是對于一個(gè)中文句子進(jìn)行分詞，可能會得到不同的分詞的結(jié)果。中文歧義有三種形式，交集型歧義(oas)，覆蓋型歧義(cas)和真歧義：oas歧義，設(shè)a，b，c分別代表一個(gè)或多個(gè)連續(xù)的漢字，則句子abc中，ab和bc分別可以組合成詞，那么就被成為交集型歧義；cas歧義，設(shè)a，b各為一個(gè)或多個(gè)連續(xù)的漢字，若a，b自身分別是詞語，則稱作覆蓋型歧義；真歧義就是對于分詞結(jié)果必須根據(jù)上下文其他句子去進(jìn)行判斷。

需要說明的是，在對文本內(nèi)容進(jìn)行分詞預(yù)處理時(shí)，需要去考慮對于停用詞的處理。在中文語句中，停用詞基本上是對這句話沒有語義上的貢獻(xiàn)，沒有意義。然而，這種詞語會大量出現(xiàn)在文本中，因此處理好停用詞能夠提高詞語切分效率以及提升后續(xù)算法處理的準(zhǔn)確性。詞語切分時(shí)，必須對這些詞進(jìn)行處理。要正確的處理好停用詞，那么停用詞表的使用和停用詞的識別是非常重要的。

1.2、利用正向匹配策略與逆向匹配策略對處理后的文本數(shù)據(jù)對文本數(shù)據(jù)分詞，通過相互的信息比對，以及歧義詞語對的互信值比較，以互信值高一組為最終的分詞結(jié)果，輸出分詞集合。

對文本進(jìn)行分詞預(yù)處理，這其中要對停用詞和標(biāo)點(diǎn)符號進(jìn)行處理，停用詞庫的獲取很方便，將文本與停用詞庫以及標(biāo)點(diǎn)符號做比對處理。用“#”進(jìn)行替換，從而可獲取到待分詞文本數(shù)據(jù)。接下來就是具體分詞算法核心處理部分，對待分詞文本進(jìn)行詞語切分處理，最后得到分詞結(jié)果集合。

文本分詞處理算法中，歧義詞的處理時(shí)分詞不可避免的階段，采用計(jì)算互信來進(jìn)行歧義的消除?；バ诺墓饺缦滤荆?/p>

在公式(4.1)中，xy表示中文有序字符串，x、y分別是其中兩個(gè)詞。

示例性的，本發(fā)明以偽代碼的形式在下面給出微博文本分詞處理算法的描述：

該算法首先通過對文檔x與停用詞集合的處理獲取到處理后的文檔x1，那么文檔x1經(jīng)過停用詞處理后，實(shí)際上將其變成了由一句短語構(gòu)成的文本。之后讀取文檔x1，首先獲取一個(gè)中文短語s，如果中文短語s長度小于分詞詞典最長詞語長度，則直接對中文短語進(jìn)行分詞，如果中文短語s長度大于分詞詞典最長詞語長度，則就需要進(jìn)一步截取字符串進(jìn)行分詞，算法中采用字符串term1與正向分詞詞典匹配進(jìn)行正向分詞的操作，采用term2與逆向分詞詞典匹配進(jìn)行逆向分詞的操作。當(dāng)獲取到正向分詞集合fw和逆向分詞集合rw后，首先將逆序分詞集合rw詞語進(jìn)行逆向操作獲取正確的詞語集合，然后比較正向與逆向分詞集合，判斷是否出現(xiàn)了歧義詞語，當(dāng)出現(xiàn)歧義詞語的時(shí)候，就記錄這些歧義詞語存入集合aw中。算法中對消除歧義的做法采取的是，先參照集合c1中的詞語出現(xiàn)次數(shù)，然后統(tǒng)計(jì)歧義詞語出現(xiàn)的概率，并根據(jù)公式(4.1)進(jìn)行互信計(jì)算，互信的分高的那組為最終的分詞結(jié)果。算法最終生成輸出分詞集合r。

2)、根據(jù)所獲取的關(guān)鍵詞組，建立索引樹dlir-tree，所述索引樹dlir-tree的每個(gè)節(jié)點(diǎn)包含一系列的社交網(wǎng)絡(luò)文本的發(fā)送用戶，每個(gè)節(jié)點(diǎn)的發(fā)送用戶都是由該節(jié)點(diǎn)的下一層的子樹所包含的發(fā)送用戶的集合；如圖2所示，圖2為dlir-tree結(jié)構(gòu)圖，在這個(gè)樹中，葉子節(jié)點(diǎn)由一組實(shí)體對象構(gòu)成。給出該對象的形式化定義：

定義dlir-tree葉子節(jié)點(diǎn)對象<l，λ，ψ，f>定義表明每個(gè)實(shí)體對象都包含了地理位置信息l，并且存在一個(gè)與該地理位置對應(yīng)的最小邊界矩形mbr屬性λ，與地理位置相關(guān)聯(lián)的文檔即用戶在該地理位置簽到時(shí)所發(fā)的微博文本關(guān)鍵詞ψ，并且存在集合f代表一組用戶，這組用戶都是在該地理位置上簽到過的。

對于dlir-tree索引樹的每個(gè)葉子節(jié)點(diǎn)來說，每個(gè)葉子節(jié)點(diǎn)映射一個(gè)相應(yīng)的倒排文件。

倒排文件又被稱作倒排索引，它的含義是用記錄的非主屬性值(也叫副鍵)來查找記錄而組織的文件叫倒排文件，即次索引。倒排文件中包含了所有的非主屬性值，并且列出了與之有關(guān)的所有記錄的主鍵值，倒排文件主要用于復(fù)雜查詢處理。

對于搜索引擎而言，它需要一個(gè)特別有效的數(shù)據(jù)結(jié)構(gòu)處理收集到的數(shù)據(jù)，并在這個(gè)基礎(chǔ)上給用戶提供搜索服務(wù)?，F(xiàn)在大量的搜索引擎都采用倒排文件的索引方式處理數(shù)據(jù)。根據(jù)倒排文件的特征可以看到，倒排文件簡單地認(rèn)為是一種用文檔的關(guān)鍵詞作為索引，而文檔自身作為索引目標(biāo)的結(jié)構(gòu)。

針對葉子節(jié)點(diǎn)關(guān)聯(lián)的倒排文件，如圖3所示，由兩個(gè)主要的部分構(gòu)成：

(1)一個(gè)關(guān)鍵詞詞匯表，這些關(guān)鍵詞均在某些微博文本中出現(xiàn)過。

(2)對于每一個(gè)單詞來說，它對應(yīng)的一組微博文本集合，以鏈表形式表現(xiàn)。例如對于一個(gè)關(guān)鍵詞w來說，一篇微博文本中出現(xiàn)了這個(gè)關(guān)鍵詞w，那么將這樣的微博文本放在同一個(gè)集合中。

對于dlir-tree中的每一個(gè)非葉子節(jié)點(diǎn)，給出了形式化的定義：

定義dlir-tree非葉子節(jié)點(diǎn)對象<r，λ，ψ，f>定義中r表示了它的孩子節(jié)點(diǎn)對象的集合，并且其孩子節(jié)點(diǎn)的地理位置所組成的對應(yīng)的最小邊界矩形mbr屬性λ，這個(gè)最小邊界矩形可以對所要查詢的區(qū)域用戶做相應(yīng)的匹配計(jì)算，ψ對應(yīng)了它所有的孩子節(jié)點(diǎn)所包含的微博文本關(guān)鍵詞，對象中的f也是一組在該區(qū)域做過簽到行為且發(fā)表過微博的用戶，同時(shí)這些用戶也是該節(jié)點(diǎn)的孩子節(jié)點(diǎn)對應(yīng)的用戶集合。

對于dlir-tree索引樹的每個(gè)非葉子節(jié)點(diǎn)來說，每個(gè)非葉子節(jié)點(diǎn)也始終會映射一個(gè)相應(yīng)的倒排文件。

如圖4所示，圖4是對于圖2dlir-tree樹中各個(gè)節(jié)點(diǎn)的一個(gè)地理位置圖。如圖所示，位置l1和位置l2形成了一個(gè)mbr即r1，位置l3和位置l4形成了一個(gè)mbr即r2，位置l5、位置l6和位置l7形成了一個(gè)mbr即r3，位置l8和位置l9形成了一個(gè)mbr即r4，接著r1與r2形成上一層的mbr即r5，r3與r4形成上一層的mbr即r6，與圖2dlir-tree相對應(yīng)。

示例性的，如圖5所示，是對于圖2dlir-tree樹中各個(gè)節(jié)點(diǎn)的一個(gè)倒排文件圖。圖中左側(cè)為節(jié)點(diǎn)r5的倒排文件，文件中包含六個(gè)關(guān)鍵詞，其中每一個(gè)關(guān)鍵詞對應(yīng)了構(gòu)成r5的r1與r2的實(shí)體對象，可以看到價(jià)格對應(yīng)r1與r2，牛排對應(yīng)r1，餐廳對應(yīng)r1與r2，電影院對應(yīng)r1，酒店對應(yīng)r2，商場對應(yīng)r2。圖中中間部分是r1對應(yīng)的倒排文件，右側(cè)部分是r2對應(yīng)的倒排文件。因?yàn)閞1對應(yīng)的孩子節(jié)點(diǎn)已經(jīng)是葉子節(jié)點(diǎn)，因此其對應(yīng)的倒排文件內(nèi)容關(guān)聯(lián)的是具體的微博文本，已在圖中表示。

所定義的dlir-tree繼承了典型的ir-tree所具有的一個(gè)重要特征，即每一個(gè)非葉子節(jié)點(diǎn)都有一個(gè)對應(yīng)的關(guān)聯(lián)倒排文本，該關(guān)聯(lián)文本就是對以該節(jié)點(diǎn)為根節(jié)點(diǎn)的子樹的查詢的關(guān)聯(lián)倒排文本的上界。

3)、根據(jù)需求用戶的需求、地理位置及區(qū)域半徑查詢索引樹dlir-tree，得到相應(yīng)的文本數(shù)據(jù)。

定義dlir-tree倒排文本單調(diào)性給定一個(gè)查詢q，再給出一個(gè)非葉子節(jié)點(diǎn)實(shí)體e，以及它的最小邊界矩形e.λ。用trq(p)表示對象實(shí)體p對應(yīng)的關(guān)聯(lián)倒排文本與查詢q的關(guān)鍵詞的相關(guān)度。那么對于任意屬于節(jié)點(diǎn)e的對象實(shí)體p，均有

例如對于圖2中數(shù)據(jù)，給定一個(gè)查詢q，那么就有trq(r5)≥trq(r1)≥trq(p1)

對于微博簽到位置與用戶發(fā)起查詢的地理位置之間的社會距離相關(guān)性的如下列公式(4.2)所示：

在上述公式中，sdq(p)表示對象實(shí)體p對于用戶u發(fā)起的查詢的社會距離相關(guān)性。其中，α∈[0，1)，常量1保證了計(jì)算的相關(guān)性永遠(yuǎn)不會等于零。α||uqu||s也經(jīng)常會被用于其他的一些社交網(wǎng)絡(luò)評分計(jì)算以及pagerank，考慮對其進(jìn)行合適的處理，應(yīng)用在dlir-tree的查詢算法中。

基于以上定義與公式，給出下列定義：

定義給定一個(gè)查詢q，再給出一個(gè)非葉子節(jié)點(diǎn)實(shí)體e，并且它擁有孩子節(jié)點(diǎn)，孩子節(jié)點(diǎn)包含了n個(gè)實(shí)體對象，有e＝{ei，1≤i≤n}，那么對于任意的孩子節(jié)點(diǎn)對象實(shí)體，都有

因?yàn)閑i是e的孩子節(jié)點(diǎn)中的一個(gè)對象，ei一定是e的一個(gè)子集，有對于定義4.10可以給出以下證明：

dlir-tree查詢算法：

對于給定的一個(gè)微博文本p與用戶需求q關(guān)鍵詞組的相似度，可以用下列公式(4.3)計(jì)算：

根據(jù)對微博文本分詞處理后，可將微博文本看作是由一組關(guān)鍵詞組成的，即微博文本自身也是一個(gè)關(guān)鍵詞組。那么通過對公式(4.3)的分析可知，當(dāng)wp，i*wq，i的結(jié)果為零時(shí)，是不影響相似度的，而只有當(dāng)p或者q其中任意一方的關(guān)鍵詞不能匹配時(shí)，wp，i*wq，i的結(jié)果為零。當(dāng)p或者q中的關(guān)鍵詞不完全匹配時(shí)，也就是其中有一方不存在該關(guān)鍵詞，但是這種情況出現(xiàn)的比較少，那么可以考慮以關(guān)鍵詞存在較多的一方作為參考對象，而不考慮關(guān)鍵詞存在較少的一方。相反，當(dāng)p或者q中的關(guān)鍵詞匹配度非常低的時(shí)候，也就是wp，i和wq，i存在非常多的零項(xiàng)時(shí)，那么就考慮以關(guān)鍵詞存在較少的一方作為參考對象，而不考慮關(guān)鍵詞存在較多的一方。公式(4.4)是改進(jìn)的余弦相似度計(jì)算公式，其中k為選擇的關(guān)鍵詞的索引集合，去掉了不考慮的關(guān)鍵詞組中的關(guān)鍵詞。

改進(jìn)的余弦相似度計(jì)算公式能夠保證當(dāng)匹配度高的情況下，給與其一定的權(quán)值挑選出來，匹配度過低的情況下，賦予其較低的權(quán)值，使得相似度的區(qū)分更加快速更加合理。結(jié)合dlir-tree以及改進(jìn)的余弦相似度計(jì)算公式，可以獲取到微博plist。

以偽代碼的形式在下面給出dlir-tree查詢算法的描述：

上述算法首先初始化一個(gè)優(yōu)先隊(duì)列u，該隊(duì)列存放的是對dlir-tree進(jìn)行最佳優(yōu)先搜索的結(jié)果。首先將dlir-tree的根節(jié)點(diǎn)存入優(yōu)先隊(duì)列中，對優(yōu)先隊(duì)列u進(jìn)行while循環(huán)操作，當(dāng)優(yōu)先隊(duì)列u為非空隊(duì)列時(shí)，則表明此隊(duì)列中存在符合條件的節(jié)點(diǎn)或?qū)ο螅敲磁袛喑鲫?duì)列的是否是一個(gè)實(shí)體對象，如果是一個(gè)實(shí)體對象，那么判斷這個(gè)對象對應(yīng)的微博文本是否已經(jīng)存入plist中，若plist中沒有，就將該對象添加入plist中。當(dāng)出隊(duì)列的不是一個(gè)實(shí)體對象時(shí)，那么它就對應(yīng)了dlir-tree中的一個(gè)非葉子節(jié)點(diǎn)，那么此時(shí)遍歷這個(gè)節(jié)點(diǎn)e的所有孩子節(jié)點(diǎn)e′，如果存在孩子節(jié)點(diǎn)e′的社交距離小于給定的查詢半徑社交距離即sdq(e′)＜sdq(r)，并且它所對應(yīng)的倒排文件關(guān)鍵詞與給定查詢關(guān)鍵詞組有交集即那么就計(jì)算這個(gè)孩子節(jié)點(diǎn)與給定關(guān)鍵詞組的相似度，作為優(yōu)先級別將這個(gè)孩子節(jié)點(diǎn)e′存入優(yōu)先隊(duì)列中，然后算法繼續(xù)執(zhí)行while循環(huán)，直到優(yōu)先隊(duì)列為空隊(duì)列結(jié)束。

對于本領(lǐng)域技術(shù)人員而言，顯然能了解到上述具體實(shí)施例只是本發(fā)明的優(yōu)選方案，因此本領(lǐng)域的技術(shù)人員對本發(fā)明中的某些部分所可能作出的改進(jìn)、變動，體現(xiàn)的仍是本發(fā)明的原理，實(shí)現(xiàn)的仍是本發(fā)明的目的，均屬于本發(fā)明所保護(hù)的范圍。