标签分析

新浪微博的标签分析

经过用户亲自提取的“个性化标签”当之无愧成为最具分析价值的数据。但目前新浪微博里“感兴趣的人”的推荐显然只做了第一步，没有在发文量、粉丝数量、名人与否、原创比例上进行相关性匹配。

关键词分析

一种是语境（语义、环境）分析。最好的例子莫过于谷歌关键词广告，随处可见，精确度也在不断提高。以前每每在外文网站看到中文总是兴奋不已，可惜是谷歌广告。

另一种是词频分析；基于用户的内容不愁没有文字。那么，结合新闻热点抓住它们，进行词频统计，自然能分析出用户说话的口味。毫无疑问，臭味总是相投的。

关键词分析依赖对自然语言的处理，也是标签分析之外强有力的助推器。

群组分析

互联网是虚拟的，但我们每个人都是独立的。我们面对不同的人群以不同的面孔，一来强化身份，二来避免尴尬。我们的每个面孔都是真实的，但分享给不同的人群显然也是不合适的。

新浪微博的分组

给联系人分组不仅能有过滤话唠的疗效，也能立体地展现其不同的角色。

互动程度分析

互动的人一定比其他人更亲密，有关你的新鲜事他（她）理所当然希望成为尝鲜第一人。

转发分析

人人网上几乎都是分享让我们厌恶，因为我们想了解关于他们自己的信息；而微博转发力量的强大，缘于对内容的钟爱。由此来看，转发中所涉及的人、事和博主都可以成为分析对象。

新版豆瓣采纳了分组，而取消了“书影音”的分类，正是如此。

时间线分析

正如谷歌阅读器里的“神奇排序”一样，把疏密的时间线整合为一条均匀的故事情节。这样，在时间有限的情况下，不会漏过好友的最近消息。此办法不适合新闻媒体。

出处：蓝色理想
责任编辑：bluehearts

上一页 基于内容、位置与关系的探索模式 [1] 下一页 基于内容、位置与关系的探索模式 [3]