王 云 肖 寒 杨存榜



大数据领域学术微信号TOP50挖掘评价排名

王 云 肖 寒 杨存榜

中国工程物理研究院激光聚变研究中心信息管理中心，四川 绵阳 621900

微信随学术界产业界纷纷入驻而崛起为重要信息源。为了用丰富关键词覆盖大数据相关领域，基于语料共现统计得到200多“大数据”相关词，将其分为3组，每两组之间词词组合得到1万多检索式，搜索并采集微信摘要22万篇，抽取去重并用“浓度”模型筛选高相关文章14万篇，计微信号9104个。采用“阶梯式累进权重”，评分方法综合考虑文章量、相关性和时间趋势。最后得到“大数据领域微信号TOP50”排名表。

大数据；微信号；阶梯式累进权重算法；数据挖掘；统计评价

1 微信已崛起成为重要学术资源

微信发布和阅读方便，来源信息自由多样，二次挑选和精炼，可读性强，发布者自我负责维护品牌吸引关注，与读者直接连接及时反馈。大趋势之下，产业界学术界机构和个人纷纷进入微信平台。[1]

如何用丰富关键词覆盖大数据相关概念：

我们用语料共现统计方法寻找“大数据”相关词。从“大数据”、“数据挖掘”等几个核心词出发，搜索如下几种语料：（1）百科词条；（2）专著目录；（3）期刊摘要；（4）网页摘要。采集清洗集成为一个文本文件。

先用一个噪音词表（“但，的，该，和，很，仅，了，……”）对语料进行预切分，然后进行无词典统计分词，对分词结果进行人工挑选，得到200多个“大数据”相关词。为制订搜索策略，将其分为5个概念组：（1）信息对象或类型：大数据，大量数据，海量，巨量资料，数据仓库，数据集，文档，微信，微博，博客，语料库，自然语言……；