TELKOM NIKA , Vol. 11, No. 6, June 20 13, pp. 3213  ~ 321 9   e-ISSN: 2087 -278X           3213      Re cei v ed  Jan uary 13, 201 3 ;  Revi sed Ap ril 5, 2013; Accepte d  April 2 0 , 2013   Bursty Hot-Words Detection for Campus BBS      Geng Chang x in*,  Zhu Xiaoguan g , Nie Peiy ao , Lin Peiguang   Schoo l of Com puter Scie nce  &  T e chnol og y, Shan do ng Un i v ersit y  of F i n a n c e and Eco n o m ics, Jinan  250 01 4,Chi n a   *Corres p o ndi n g  author, e-ma i l : g_cha ng xin @ 16 3.com       A b st r a ct    In the  mon i tor i ng of ca mpus  publ ic op in ion s , hot  w o rds often reflect the  latest burst h o t topic s   w i thin a certai n  perio d of time. T herefore, this  paper  tak e s in -depth res earc h  for bursty hot  w o rds detectio n .  In the process of w o rds w e ight calcul atio n, we consi der not only traditi on al  features such as T F ,  IDF ,  bu t   also  the  burst iness,  part  of spe e ch,  len g t h, locati on  in  text an d  oth e r factors. C o nseq ue ntly, th e   me asur e m ent f o rmula  of burst iness  and th e  w e ight calc ulati ng for m u l a b a s ed o n  sy mphys i c multi-feat ure s   are propos ed. The weight calculat ing for m ula can id entify the bursty hot- w ords  quickly  and acc u rately, and  then disc over the bursty eve n t s, finally  real i z i ng the e a rly w a rnin g of campu s  publ ic opi ni o n s effectively.     Ke y w ords :   hot -w ords, bursty, w e ight    Copy right  ©  2 013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  With the  ra pi d devel opme n t of Internet , peopl e ten d  to exp r e s s real  thou ght  on th e  Internet. The  Internet is  be comin g  the p r imary pl ace for ge ne ration  and di ssemi nation of p ubl ic  opinio n  grad ually, which  plays an in creasi ngly imp o rtant role in  the social life [1]. Today, the  use r  group s  of Internet are increa sing  grad ually, an d it exceede d 500 million  at the end of  De cemb er 2 011, whi c h h a s rea c hed  5 13 million. Student s are th e large s t gro ups a m ong t he  Internet u s ers, accou n ting  for 30.2% [2]. Su ch a large  numb e r of university  student s ha ve  sen s itive rea c tion to  a lo t of so cial  p henom ena,   reality and i s sue s . Th ey l i ke id eolo g ical  comm uni cati on to each  other via BBS, blog, mi cro blog and ot her informati on platform, and  dissemin ate  publi c  spotlig ht, hot issue s  and maj o r i s sue s   whi c h i n clu de inte rn ational, dom e s tic   and campu s   by keepi ng a b rea s t, postin g , comme nts  and othe r me thods of com m unication.   The  colleg e   stude nts h a ve sp eci a l g r o upment   and  stron g  exp r e ssi on d e si re t o  medi a.  Those chara c teri stics ma ke hot  eve n ts sp re ad forward by high  spee d, and  university ca mpus  easily b e com e s the  ene rg y dispe r ser  o f  negative pu blic o p inion s   and g a theri n g pla c e of th em.  Therefore, th e followin g  re sea r ch topics  are very imp o rtant in coll e ge mana gem ent:   -    Standardized  manage me nt and the monitori ng  of  network pu blic opi nion  on university  camp us.   -    Identify bursty hot wo rd s f r om the  hu ge , messy and   diso rde r e d  co llege n e two r k informatio n   quickly and a c curately, an d then find ho t topic,  espe ci ally the latest bursty hot topics.   -    Control the  trend  of h o t  topics, an d  corre c tly gui de the  colle ge n e two r k  publi c  o p inio n  towards a h e a lthy directio n, and there b y   reduce the negative imp a ct of the network.   Certai n term s may em erge tran sa ctio n over time  due to a ppe aran ce  of su dden  hot   events, na m e ly the eme r gen ce  of  h o t wo rd s. At pre s e n t, a lot of in-d ep th studie s  h a ve  pro c e s sed in  many asp e ct s, su ch a s  ho t word s disco v ery, hot words an alysi s .   Zheng   Kui et al.  pro p o s ed  an  a u tomatic discovery me thod  of hot  inf o rmatio n  o n  netwo rk  publi c  opi nion  of ba sed  on  ICTCLAS  se g m entation  te chnolo g y. This method  ca n  read  ne ws te xt  and process word frequ ency stati s tics after se g m entation, remove stop  words from  word  freque ncy ta ble, merge m u lti-unit keyword s  to obtai n key w ords li st of hot information of bu rsty  events , a c hi eve timely ret r ieval for n e twork info rmat ion, and the n  provide te ch nical  sup p o r t for  emergen cy d e ci sion  of bu rsty event [3 ]. Xue  Fen g  et al. p r op o s ed  a  dyna mic text mo del- dynamic b u rsty vector spa c e mod e l, whi c h can de sc ri be the dynam ic attribute s  o f  text efficiently.  Mean while, a  method of online dete c t and tra ck i s  prop osed to combi ne with  text clusteri ng  method [4].  A publi c  o p i n ion  analysi s  syste m , wit h  a  kin d  of  high  efficien cy improve d   LC  freque nt patt e rn mi ning  al gorithm  data  flow an alysi s   is dei gne d by  Che n  Li zha n g  to analy z e t h e   Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA   Vol. 11, No. 6, June 20 13 :  3213 – 3 219   3214 hot spots.  Thi s   system  ba sed o n  byp a ss mode  of  dat a flow di strib u tion a c cordi ng to th e visit o rs'   acce ss to  forum. The  co ntent of po sts  on the fo rum  is  clu s tere d  by the re du ctive forum th e m e  throug h incre m ental hie r archi c al cl uste ri ng algo rithm [5]. Wang Tai  et al. prese n ted a method  to  captu r e p opu lar sea r ch word s. By dep loying an o p tical  splitter o n  the Intern e t  portal of th e  distri ct,  po pul ar sea r ch wo rds  a r e extra c ted  f r om  th e  se ssion  cont ent which a s sembl ed  by d a ta   packet s  a nd f iltered  from  the o p tical  spli tter [6]. Li Yu qin et  al. p r o c essed  de ep  rese arch  for h o t- word discove r ing an d a s sociatin g tech nique. In  the  phase of word di scoveri ng, they utilize   named   entity  re cog n ition techni que s a nd statisti cal  tech niqu es for hi gh f r eq u ency  phrase  to   pro c e ss  phra s e st ring ex cavation, then  take the  ba sis of  weight  and wei ght  fluctuation s  to   comp ute hot-word wei ght. In the hot-wo r d asso ciatio n perio d, hot word s are di vided based  on  the differen c e of the weight value of th em,  and hot-word relatio n s hip was  co mputed from  the   prin ciple of co-o ccurren c e  rate [7].   Hot wo rd is a web vocabula r y phen omeno n, refl ecting the widespre ad co nce r ne d  probl em  withi n  a  parti cula r cove rag e , such  a s  n a me , place, orga nizatio n  a nd  other  co mmo n  phra s e s . A lot of network hot wo rd s are ne w words which h a v e not been  include d in the   diction a ry. Hot word s u s u a lly have cha r acte ri st ics of frequent o c curren ce, wid e  distributio n a nd  sud den tra n saction may o c cur over tim e . In Figure 1, the word “word1 ” appe aring  with high   freque ncy bu t little  fluctuation, belong s to high-fr eq uen cy words;  the word “word s 2 ”  sud d e n ly  emerge s tran sa ction g r o w th in the T k   moment, sho w ing  a ra pid  gro w th tre nd,  so it bel ong s to  hot words; the wo rd “wo r d3 ” app eari ng with  lo w freque ncy an d small fluct uation chang es,   belon gs to lo w-frequ en cy words.       Figure   1 .    The Presenting  Features of Hot Words      Therefore,  di rectin g at th e  features  of hot word s,  the  step s fo r their extract i on a r e  pre s ente d . Mean while,  we develo p  the meas u r eme n t method of bursti ness and  weight  cal c ulatio n formul a whi c h is ba se d  on the integ r ation of mu ltiple feature s ; finally, a text  expre ssi on m e thod  with d y namic  sp ace mod e l is d e velope d  by use of  this weight  calculat ion  formula.       2. Hot Word s Analy s is    The eme r g e n c e of hot eve n ts will le ad to sud den  tra n sa ction  of certain words over  time.  Based  on  thi s  featu r e,  a  zero -copy b a sed n e two r k  p a cket  captu r e  platform  [5,  8] co mbine d   with  bypass li steni ng  way i s  u s ed to  ca pture  inform ation i n  colleg e s’  fo rum i n   real  time [9, 1 0 ]. By  analyzi ng the  fluctuation e x ception of  words  co ntai ned in  crawl ed po sts, ho t word s  can  be   identified, an d then we  ca n discover b u r sty  hot topics. The main  steps are as fo llows:  -   Wo rd segme n tation and freque ncy stati s ti cs for capt ured text information.   -    Acco rdi ng to relevant rule s, we achiev e  words filter by removing  word s and  a numbe r of  meanin g le ss  words a nd sy mbols et c.   -   Measure burstiness of word s to identify hot words.    -    Initialize weight for respect i ve hot words by  the use o f  weight calculation meth o d  based o n   symphysi c m u lti-features  and t hen  so rt hot word s  by weight. Select a  certai n numb e r of   hotk e y s  in s o rt lis t to c o ns titute the hot k e ywords  library.      Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Burst y  Hot - Words Detection for Cam p us BBS (Geng Changxin)  3215 2.1. Word Se gmenta tion  Process   A word is th e smalle st co nstituent unit s  of a docum ent, so that lexical analy s i s  is the   foundatio n a nd key  step  in informati on proces sin g . In this pa per, ICT C LA S developed  by  Institute of Comp uting T e ch nolo g y, the Chine s e  Acade my of Scien c e s  is use d  for  word   segm entation .  This  syste m  ba se s on  th e casc a d ing t y pe of Hi dde n Ma rkov Mo del, whose  key  function s  i n cl ude Chi nese word seg m en tation,  par t  of  sp ee ch ta ggi ng, nam ed  e n tity reco gniti on,  the identificat ion of new word s and sup porting the  u s er di ction a ry . In performa n ce, this sy stem  pre s ent s  hig her wo rd se gmentation a c cura cy  a n d  efficien cy [11]. In segm e n tation proce ss,  locatio n  of word shoul d b e  marked a n d  singl e  wo rd  shoul d be re moved, and  at the same t i me ,  the word co m posed of two  or more nou n s  sh ould b e  counted. The  word whi c h e x ceed s a cert ain   threshold  sho u ld be  ad ded  to key w ords list in   fo rm of  noun. e.g.  “Wen chu an earthq u a k e ”  are   comp osed by  two nou ns, “Wen ch uan ”  a nd  “ea r thqu a k e”.  The  word is ad ded  to  the keywo r d s  list  whe n  the nu mber of time s exce ed s the pre defined  threshold. After word  seg m entation, a l i st of  keyword s  i s   gene rated  wi th part  of sp eech attr ib ute. Gen e rally,  the hot  wo rds  have a  hi gher  word freque n c y, therefo r e,  a lo we r threshold n eed s to  be  set, an d t he  word  who s e frequ en cy  is  lowe r than thi s  thre shol d wi ll be remove d  from the list of keywo r d s .    2.2. Words F ilter  Keywords li st contain s  a  lot of word s a fter word s egmentation. Mos t  of the words   contri bute  little to th e p o st,  so  the  corre s pondi ng filter  rule s [1 2, 13,   14]   need  to  b e  devel ope d to   filter keywords list.    1. Part of Sp eech Filter   Different p a rt s of spee ch  play different  role s in text pre s entatio n .  The se mant ics  of a  sente n ce p r i m arily i s  exp r essed  by n o uns an d  verb s. Althoug h p r epo sition s,  conjun ction s  a n d   adverb s  et c.  have hig her f r eque ncy of o c curren ce  i n  the do cum ent, they have no  real m eani ng s,  su ch  as “of, the, in, th oug ht, but”  etc. F o r thi s   re aso n ,  the wo rd s whi c h have p a rt  of sp ee ch   like   prep ositio n, auxiliary wo rd  etc. sho u ld b e  aban don ed  and retai n  onl y nouns a nd  verbs.     2. Stop Wor d s Filter   Meanin g le ss words, pun ctuation,  num b e rs  and  special symbol s  may occu r in  post s ,   su ch a s   “Ho,  Aha, #, [, (”  etc. The s e  word s an d sy mbols  ca n be  adde d into  stop wo rd s list .  In   this pap er, the list combi n e s  and exten d s  the stop  wo rd list of Ha rb in Institute of Tech nolo g y.     3. Simi lar Words Filter  Different exp r essio n  form s of words  with sim ilar o r  identical impl ication s  may exist in  keyword s  li st. It can  be  p r oce s sed  by  statisti cs  meth od  to merge synonym s , such   a s  “ne g lect”  and “ig n o r e”  etc. By judgin g  the simila rity and word  freque ncy, lon ger word in the ca se of sa me   quite fre que n c y can b e  retained,  su ch  a s  “Influ en za  A”, “Influen za  A HINI” an d  “Influen za A  HINI  flu” etc.     4. Rule Filter  Rule filter generally i s  used for filtering us el ess  strin g  with o b viou sly pattern, such  as  colle ction of n u meral and q uantifier with  high fr eq uen cy, common m eanin g less p r efix and suffix.    5. Backg rou nd Noise Filter  The b a ckg r o und  noi se i s  su bje c t un re lated a nd m eanin g less st ring  whi c h  cannot  be   filtered by sto p  wo rd s and  rule filter, such as “B eijing  daily news”, “one of tho s e”, “at last” et c.  The noise ha s  h uge   sy ste m   an d cha o tic state,  un abl e to g e t throu gh m anual   so rting. Th erefo r e,  it need s to  collect  co rpu s  as  a training  set to   program for the e x traction  of b a ckgroun d n o ise   libra ry .    2.3. Words  Burstine ss Me asureme nt    The h o t word s have  bu rsti ness, like a b norm a l g r o w th of word  fre quen cy withi n  a certai n  perio d. Fo r t h is  rea s o n , the  word fre q uen cy dist rib u tion  within  a certain  time pe riod  can  be  analyzed to d e termin e wh e t her the wo rd  has b u rstine ss.  The di stributi on of wo rd freque ncy is t r eated a s  a di mensi onal fu nction f(x )  in  Figure 2,  in whi c h x-axis represents time, y-axis  rep r e s ent s word frequ en cy of a mome nt. Now i n tercept   Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA   Vol. 11, No. 6, June 20 13 :  3213 – 3 219   3216 the word  fre q uen cy di strib u tion  within t he Ti -Tj  time   perio d a nd  assume  that th e  wo rd f r eq ue ncy  of “word t” is   Pi in Ti moment, Pj in Tj mo ment.      Figure 2. Wo rd’s Frequ en cy Distributio n       Con s id erin g t he di stri butio n of  wo rd f r e quen cy m a y  influen ce  burstine s s in  a  certai n  perio d time,   co sine  theo re m can  be  used to  mea s u r e the  bu rstin e ss of  word  t  in time  Ti -Tj, as  following formula:     2 2 ) ( ) ( 1 ) ( a b i j i j p p T T T T t B                                                                                      (1)    In formula  (1), word  burstin ess  ) ( t B  is a valu e between 0 t o  1. The g r ea ter value it ha s,   the greater  word burstiness  it will show, conversely, t he sm aller the burstiness i s ;  i j T T  is the  differen c e  be tween  the t w o time  peri o ds,  whi c h  ca n be  ho urs,  days, et c. an d they  can  b e   sele cted a c cordin g to the actual  situation;  a b p p  is the differen ce of word freque ncy b e twee n   time  i T  and  j T .   Hot words  wil l  drift over tim e , i.e. a topic  disc u ss t r an sf erred to  anot her to pic i n  la ter, i.e.  the drift of topic. The  cu rrent  wo rd fre q uen cy of topic whi c h  ha s drifted is le ss than the wo rd   frequency bef ore drift. This paper fo cuses on the ext r action of word  from current bursty event s ,   so the drifte d topic is ou tside ou r co n s ide r at ion  scope. The r efo r e, ce rtain word s whi c h l a ter  freque ncy i s  less th an f o rme r  frequ e n cy  will be  removed f r om  key w ords li st. So a l o wer  threshold  ca n  be set to se lect wo rd s whose bu rstin e ss i s  hig her t han this l o we r thre shol d a s   can d idate h o t word s list. T he high -fre qu ency word s  a r e usually mo re evenly dist ributed, so this  method can remove high -freque ncy words withi n  the pro c e ss of bu rsty wo rd s sel e ction.     2.4. Weight  Calcula t ing Metho d  base d on Sy mph y s i c Multi-fe ature s   For  can d idat e hot word s, each  wo rd  has  us eful  informatio n, su ch a s  T F , IDF,  bur st ine ss,  p a rt  of   sp ee ch ,  locat i o n ,  len g t h  et c   [10].  Therefore,  th e follo wing  fa ctors  nee d to  be  con s id ere d  for hot wo rd we ight gene ratio n .  1.  TF : kno w n  as term freq uen cy, rep r e s entin g the freque ncy of word o c cu rre n c e. The   greate r  TF is,  the higher  co nce r n de gree  the word h a s.    2.  IDF : kn own as i n verse  document freque ncy, is  a mea s u r e o f  whethe r the  term i s   comm on o r  rare a c ross all  docu m ent s. Greate r  IDF  sho w s gre a te r discri minati on of wo rd s and  more relevant  to s ubjec t.   3.  Burs tines s : hot word s  have the ch arac teri stics of  abno rmal g r o w th in a sh ort  time, so  the burstine s s nee ds to be  introdu ced to  measu r e the  gro w th of wo rds in the pe ri od of time.   4.  POS : kno w n a s  p a rt o f  spee ch. T h e nam ed e n tities in p o st  informatio n such  a s   name s , pla c e nam es an d in stitutiona l name s   etc.  co ntribute   much  mo re  than n on-na med  entities to th e distin ction   of topics, so  the wei ght g r owth i s   requi red fo r n a me d entities,  wh ile  v e rb t a ke s a  se con d  pla c e .     Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Burst y  Hot - Words Detection for Cam p us BBS (Geng Changxin)  3217 5.  Loca t ion :  the word s i n   different lo cat i ons ma ke  different  cont rib u tion to e n tire po st:  Wo rds i n  the  post title make the g r eate s t cont ribut io n; the first an d last pa rag r aph in bo dy text  also  ha s  gre a ter  co ntribut ion; the fi rst  and l a st  se ntences of e a ch pa rag r a ph i n  bo dy text a l so   have  cont ribu tion; follows  are  the  wo rd s in  reply.  Th erefo r e, the   word in  different lo cation s  ha s  different weight.    6.  Length : th e longe r the words a r e, th e more info rmation they carry.   Con s id erin g the above fa ctors, the  weig ht calc ulation  formula i s  co nstru c ted a s  f o llows:     2 2 2 ) )) ( ( * ) ) ( ( log * ) , ( * ( )) ( ( * ) ) ( ( log * ) , ( * * ) , ( D t t POS weight L t DF N d t TF t POS weight L t DF N d t TF a d t w     ) , ( ( * ) ( * ) ( d t position weight avglen t length b t B                                            (2)     In formula ( 2),  a and b are adju s tment  coefficient, 0<a,b <1, a+b=1;  ) , ( d t w  denotes th e   weig ht of wo rd t in po st  d; D is  wh ol e po sts;  is a d justme nt co efficient of lo cation  wei ght;  ) , ( d t TF  denote s  o c curren ce fre q u ency of word  t in post d;  ) ( t DF  denote s  the  numbe r of  post s  whi c h i n clu d e s  wo rd  t; L is experience co nsta n t;  )) ( ( t POS weight  is POS wei ght of word  t, generally initialize s  n a m ed e n tities  as 2, ve rb a s  1.5;  ) ( t length  denot es le ngth of  word t;  avglen  denote s  the  averag e lengt h of keyword s ;  )) , ( ( d t position weight  is location  weight of   word t in post  d.  ) ( t B  is the wei ght of burstiness facto r , t he cal c ulatio n formul a is formula (1 ).   After cal c ulat ing the weig ht of above  wo rds, a  ce rtain numb e r  of words  sh ould be  cho s e n  by descendi ng so rt  of weight to  con s tru c t hot  word s featu r e libra ry  i K  within a certai n   perio d of time.      3. Results a nd Discu ssi on  The experi m ent data is collecte d  from  the  entrance  of College n e tw ork. Every day th e   informatio n of  coll ege fo ru m is  ca ptured  twice  throug h  entran c e,  a nd contin uou s colle ction g oes  on for thi r ty d a ys, and th e n  we  have thi r ty days hi sto r ical  data. Fo r ea ch  coll ect ed do cum ent s,  firstly word  segmentatio n and wo rd fre quen cy  statistics are pro c ess ed, and  carry on filter  according to the rule s me ntioned in  cha p t er 2.2, then we will g e t a can d idate h o t keywo r d s  list .     3.1. Results and Disc uss i on – Burs tiness Mea s ure m ent  Becau s e of t oo many wo rds in keywo r ds list, this p aper o n ly takes two  wo rd s “Th e   Olympic Gam e s” an d  “Jun  Zhou ” a s   sa mples to m e asu r e th e  wo rd b u rstine ss within  five d a ys.  Normali z ation  is pro c e s se d for co nveni ence: wo rd  frequ en cy is  norm a lized to 0-10 0, time is  norm a lized to  0-100 a s  wel l . Figure 3 is  norm a lized word fre que ncy  distributio n.         Figure 3. Wo rd’s Frequ en cy Distributio n after No rmali z ation   Evaluation Warning : The document was created with Spire.PDF for Python.
                               e-ISSN: 2 087-278X   TELKOM NIKA   Vol. 11, No. 6, June 20 13 :  3213 – 3 219   3218 No w calculat e the bu rsti ness of the s e two words  within th e mome nt 4 0 -90  by    formula (1):    The bu rstin e ss of wo rd “T h e  Olympic G a mes”:  019419 . 0 ) ( ) ( 1 2 2 a b i j i j p p T T T T   The bu rstin e ss of wo rd “Ju n  ZHO U ”:  292893 . 0 ) ( ) ( 1 2 2 a b i j i j p p T T T T   In Figu re  3,  the bu rstiness of  wo rd  “Z hou  Ju n” ob viously i s  g r eater than  word  “T he   Olympic G a mes”, whi c h i s  co nsi s tent  with ou r ex p e rime ntal re sults. T herefore, the burstin ess   measurement  formula prop ose d  in this a r ti cle is in lin e  with actual requireme nt.     3.2. Results and Disc uss i on - The We ight Calcula t ing Formula based on Sy mph y sic  Multi-features  For the p r o c ess of can d i date hot wo rds list with b u rstin e ss me asu r em ent, this a r ticle  firstly calcul ates th e  weig ht of hot  wo rd s by the  wei g h t  cal c ulatio n f o rmul a of t r a d itional T F -IDF  function  an d  symp hysi c  multi-f eatures re sp ectively, then  proc ess  extractio n  experim ents for  backg rou nd  corpu s  ba sed   on the  calcul ation  re sult s.  Limited by  th e si ze  of  ba ckgroun d  co rp us,  we  ca n’t verif y  the effect  o f  keywords e x trac tion  for  each d o cume nt. Therefore, 500  do cum e nts  are extra c ted  rand omly, and thro ugh p r ogra m  verifica tion, the extractio n  effect  of two methods  for hot key w o r ds a r e a naly z ed a nd com pare d . Com p are results are sho w n in Fi gure 4.          Figure 4. Effect Com pari s o n  of Two Diff erent Extra c tion Method s      With the  u s e  of the tra d itio nal TF -IDF  m e t hod to  process extra c tio n , avera ge  preci s ion   ratio i s   76.9 % , averag e  recall  ratio  7 2 .3%; with th e  use  of the   we ight calculatin g meth od  ba sed  on  symphysi c m u lti-features to   p r ocess extraction,   averag e p r e c ision  ratio  is  90.7%, avera ge  recall ratio 8 5 .7%. With t he u s e  of the wei ght   cal c ulation m e th od ba se d on  symphy sic  multi- feature s , p r e c isi on  ratio i n cre a sed  abo u t  13.8%  ab ove the tradition al TF-I D F m e thod, an d recall  ratio in crea se d abo ut 13.4 % . From the  experim ent  result s, co ncl u sion  co me s to that the  wei ght  cal c ulatio n m e thod b a sed  on symp hysi c multi-fe at ures i s  obvio usly better than  traditional  T F - IDF method.        4. Conclusio n   With the  rapi d expa nsi on  scale  of the   Internet, the   discovery  an d tra c king  of  coll ege  netwo rk bu rsty hot topi cs h a s  be come  i m porta nt  me ans for re gul ation of  network pu blic opi nion.   Identifying ho t wo rd s q u ickly and  accu rately is  the  p r emi s e  of hot  events di sco v ery. Base d  on  the bu rstiness  cha r a c teri stic of h o t word s,  thi s  p a per develo p e d  a  metho d  for  burstine s s  measurement , then in the weight  calculation of ho t word s, co n s ide r ing n o t only the hig her  occurre n ce freque ncy, bu rsty of time, but the f eature  information  of words  who s e o c curren ce in   post,  su ch  a s  location, PO S and  len g th  etc.  To  re se arch  the  key  techn o logie s   stated  above,   a   foundatio n ca n be  esta blished fo r bu rsty hot event s,  and fin a lly a c hieve  effecti v e and  accu rate   early wa rni n g  for colleg e  n e twork pu blic  opinio n .  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   e-ISSN:  2087 -278X       Burst y  Hot - Words Detection for Cam p us BBS (Geng Changxin)  3219 Certai nly, the measureme n t me thod of  burstine ss  propo sed in thi s  pa per i s  n o t  perfect.   For  example,  in the  mea s u r eme n t of  wo rd b u rstine ss, only the  amo unt of g r o w th  within  a p e rio d   of time is  con s ide r ed,  with out the g r o w th rate  of  the  words. T h e r e f ore, in p r a c tical a ppli c atio ns,  definite integration  can be  utilized  to m e asure the  growth  rate  of word  frequen cy, which  needs  further study.      Ackn o w l e dg ments   This work i s  su ppo rted  b y  Ministry  of Ed u c ation,  Huma nities a nd So cial  Sciences  Proje c t (10 Y JC8 800 76 ) and Sha n dong P r ovin ce  Natural  Scien c e F o undatio n Project  (ZR201 0FL0 08).       Referen ces   [1]  CHEN  Hu a, LI ANG  Xun,  RU AN Ji n. Des i g n  an d Imp l eme n t ation  of corr el ation  a nal ys is i n  C y b e r w o r l d   opi nio n .  NCIR C S ’ 2 007.  2 007 ; 45-49.   [2]  T he 29 times  Chi na Inter n et net w o rk  de velo pment  stat e statistic re p o rt. Chin a Int e rnet N e t w ork   Information C e nter. 2012.   [3]  Z H ENG Kui et  al. Hot Sp ot  Informatio n  Aut o -detecti on Me thod of N e t w or k Public Op in i on.  Co mputer   Engi neer in g.  2010; 36( 3): 4-6 .   [4]  XUE  F e n g , Z H OU Yad o n g , GAO F eng. A n   Onlin e D e tecti on  an d T r ackin g  Meth od  for B u rst y  T opics.   Journ a l of Xi ’ a n Jiaoto ng U n i v ersity . 2011; 4 5 (12): 64- 69.   [5]  CHEN L i zha n g ,  LI Bin, CHEN Xiao pe ng. D e sig n  an d Re a lizatio n of Mon i torin g  S y stem  of Camp u s   BBS Public Opinion . Micropr ocessors . 201 2; 2(1): 40-4 8 .  [6]  W A NG  T a i, JIANG Guangr o ng, YU li xia. Captur ing  and  anal yz in g po pul ar searc h  w o rds i n  micr o   district.  Compu t er Engin eeri n g  and Des i g n . 2012; 33( 2): 556 -560.   [7]  LI Yuqi n, SU N Lih ua. H o t-W o rd Detecti o n for Internet  Public S enti m ent.  Journ a l  of Chin es e   Information Pr ocessi ng . 20 11 ; 25(1): 48-59.   [8]  W A NG Meng, LI Bin, SUN C hun qi. Res earc h  of  Net w ork P ublic Op ini on H o tspots Detecti on Base d o n   F r eque nt Items Minin g .  Microc omputer i n for m ation.  20 10; 26 (12-3): 35- 38.   [9]  N y oma n  Rizkh a Emill ia, Su ya nto, W a rih Ma hara n i.  Isolate d  W o rd Rec o g n itio n Usi ng Er god ic Hi dd e n   Markov Mo del s and G enetic   Algorit hm.  T E LKOMNIKA Indones ian  Jour n a l of  El ectrica l  Engi ne erin g .  201 2; 10(1): 12 9-13 6.  [10]  Abeer  El-Kor a n y ,  Salm a M o khtar K hata b .  Ontolog y - b a s ed S o cia l   R e comme nder   S y stem.  IAES   Internatio na l Journ a l of Artificial Intel lig enc e . 2012; 1(3): 1 2 7 -13 8 .  [11]  LUO Hui x i a . T he Net w o r k Pu blic Opi n io n Monitor i ng S y ste m  Researc h  And E x pl oitati on . Disertation .   T a iyua n; North  Universit y  of C h in a; 201 0.  [12]  LI He ng xu n.  Ke y T e chnol o g y  Res earc h   on W e b F o ru ms Cra w l i n g   and  Hot T opi c Detecti on.   Disertati on. Bei jing: C apita l No rmal Univ ersit y ; 2011.   [13]  Z E NG Yiling,  XU Ho ngb o.  Research  o n  Internet ho tspot informati on detecti on.   Journal o n   Co mmun icati o n . 2007; 1 2 (28) : 141-14 6.  [14]  LAN K a ime i . B BS Hot T opic   Detectio n  and   Monito ri ng  S y s t em. Disertati o n . Bei jin g: Be iji ng J i aot ong   Univers i t y ; 2 0 1 1 .  Evaluation Warning : The document was created with Spire.PDF for Python.