本文關(guān)鍵詞：面向新浪微博的水軍識別技術(shù)的研究與實現(xiàn)，由筆耕文化傳播整理發(fā)布。

【摘要】：在當今諸如twitter、新浪微博這樣的社交網(wǎng)絡(luò)新媒體已經(jīng)成為人們獲取信息、分享經(jīng)歷、與人交流的重要方式之一。隨著這類公開性和即時性兼具的網(wǎng)絡(luò)社交媒體被越來越多的人使用,在微博平臺聚集了大量用戶信息和關(guān)注度的同時網(wǎng)絡(luò)水軍用戶數(shù)量也不斷膨脹。網(wǎng)絡(luò)水軍的激增致使社交網(wǎng)絡(luò)媒體中充斥了大量的虛假意見和垃圾信息,社交網(wǎng)絡(luò)環(huán)境急劇惡化。因此水軍識別已經(jīng)成為了研究者們最為關(guān)注的問題之一。水軍識別技術(shù)的研究不僅可以提高社交網(wǎng)絡(luò)中用戶的體驗質(zhì)量,還可以規(guī)范社交網(wǎng)絡(luò)輿論導(dǎo)向,避免非公正信息傳播造成的不良影響。水軍檢測技術(shù)具有的去重功能,可被廣泛應(yīng)用于輿情分析,影響力分析等一系列研究當中。所以,研究水軍識別技術(shù)具有重要的實際意義。本文針對今年中文微博的發(fā)展形勢,以一家獨大的新浪微博為研究對象,設(shè)計并實現(xiàn)了一種基于用戶特征的水軍識別方法,主要的工作和成果如下:(1)構(gòu)造了適用于水軍識別的用戶特征向量�；谛吕宋⒉┯脩籼攸c,從用戶信息,用戶行為,博文文本內(nèi)容三方面入手,不僅介紹了常用于水軍識別的關(guān)注數(shù)、粉絲數(shù)、發(fā)帖規(guī)律、URL率、博文文本相似度等特征,還提出并采集了話題遷移率特征。利用CDF(累計分布函數(shù))對各特征重要性進行了分析,構(gòu)建了可用于水軍識別的用戶特征向量。(2)針對微博短文本聚類算法進行了系統(tǒng)性的研究和設(shè)計。一方面,為了獲得話題遷移率特征,定義了擴類式K-means算法,并利用其擴類式操作,對經(jīng)過分割處理的文本數(shù)據(jù)進行話題擴類式劃分,從而獲得了用戶話題遷移率特征。另一方面,采用了Simhash算法對所有經(jīng)過規(guī)范化的文本進行標記和賦值,并利用Hamming Distance計算文本相近程度并聚類,從而獲得博文文本相似度特征。(3)建立了基于Logistic Regression(邏輯回歸)的水軍識別模型。研究分析了各類機器學(xué)習(xí)方法在水軍識別領(lǐng)域的應(yīng)用。由于邏輯回歸算法具有較為簡單的實現(xiàn)和便捷性,選用了邏輯回歸算法構(gòu)建識別模型。利用已標記數(shù)據(jù)集對模型進行訓(xùn)練,通過梯度下降算法實現(xiàn)了對特征系數(shù)的求取,從而搭建起了具有自動識別能力的水軍識別模型。通過交叉驗證法檢驗了邏輯回歸水軍識別模型的分類性能。并依托多種實驗手段檢測了水軍識別模型對訓(xùn)練集樣本大小、輸入特征等內(nèi)容的敏感性。
【關(guān)鍵詞】：新浪微博 水軍識別 特征向量 短文本聚類 邏輯回歸 擴類式K-means
【學(xué)位授予單位】：國防科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2015
【分類號】：TP393.092;TP391.1
【目錄】：

• 摘要9-10
• ABSTRACT10-12
• 第一章 緒論12-19
• 1.1 研究背景12-15
• 1.1.1 微博簡介12-13
• 1.1.2 微博水軍及其研究意義13-15
• 1.2 研究現(xiàn)狀15-16
• 1.3 研究內(nèi)容及創(chuàng)新點16-17
• 1.4 論文的組織結(jié)構(gòu)17-19
• 第二章 相關(guān)技術(shù)研究19-31
• 2.1 監(jiān)督學(xué)習(xí)19-23
• 2.1.1 C4.519-21
• 2.1.2 樸素貝葉斯（Na?ve Bayes）21
• 2.1.3 支持向量機（SVM）21-23
• 2.1.4 邏輯回歸（Logistic Regression）23
• 2.2 文本聚類算法23-28
• 2.2.1 劃分方法24-25
• 2.2.2 層次方法25-26
• 2.2.3 基于密度的方法26-27
• 2.2.4 基于網(wǎng)格的方法27-28
• 2.3 文本相似性算法28-30
• 2.3.1 Shingle算法28
• 2.3.2 Simhash算法28-30
• 2.4 本章小結(jié)30-31
• 第三章 微博用戶特征及量化方法設(shè)計31-40
• 3.1 用戶信息特征31-33
• 3.1.1 粉絲數(shù)，關(guān)注數(shù)以及FFR（Follower to Friend Ratio）31-32
• 3.1.2 用戶親密度32-33
• 3.1.3 用戶博文數(shù)33
• 3.2 用戶行為特征33-37
• 3.2.1 用戶提及率34
• 3.2.2 文本URL率34-35
• 3.2.3 文本話題標簽率35
• 3.2.4 發(fā)帖規(guī)律35-37
• 3.3 博文文本內(nèi)容特征37-39
• 3.3.1 博文文本相似度37-38
• 3.3.2 話題遷移率特征38-39
• 3.4 本章小結(jié)39-40
• 第四章 面向水軍識別的用戶特征向量模型構(gòu)建40-56
• 4.1 微博數(shù)據(jù)獲取40-43
• 4.1.1 新浪微博API40-43
• 4.1.2 數(shù)據(jù)的獲取43
• 4.2 用戶特征建模43-55
• 4.2.1 微博博文預(yù)處理及用戶行為特征獲取44-46
• 4.2.2 博文文本相似度特征模塊46-47
• 4.2.3 話題遷移率特征模塊47-50
• 4.2.4 特征選取和分析50-55
• 4.3 本章小結(jié)55-56
• 第五章 基于邏輯回歸算法的水軍識別模型56-66
• 5.1 基于邏輯回歸算法的水軍識別模型構(gòu)建56-62
• 5.1.1 水軍的形式化定義56
• 5.1.2 模型構(gòu)建56-62
• 5.2 實驗結(jié)果分析62-65
• 5.2.1 訓(xùn)練樣本不同規(guī)模比對實驗62-63
• 5.2.2 交叉驗證實驗63-64
• 5.2.3 多特征比對實驗64-65
• 5.3 本章總結(jié)65-66
• 第六章 總結(jié)與展望66-68
• 6.1 本文總結(jié)66-67
• 6.2 工作展望67-68
• 致謝68-70
• 參考文獻70-74
• 作者在學(xué)期間取得的學(xué)術(shù)成果74

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 李盛瑜;何文;;一種對聊天文本進行特征選取的方法研究[J];計算機科學(xué);2007年05期

2 蔣志方;祝翠玲;吳強;;一個對不帶類別標記文本進行分類的方法[J];計算機工程;2007年12期

3 趙鋼;;從復(fù)雜文本中導(dǎo)入數(shù)據(jù)的方法[J];中國審計;2007年18期

4 易樹鴻;張為群;;一種基于粗集的文本數(shù)據(jù)特征信息的挖掘方法[J];計算機科學(xué);2002年08期

5 李建中,楊艷,張艷秋;并行文本管理原型系統(tǒng)PDoc的功能與總體框架[J];哈爾濱工業(yè)大學(xué)學(xué)報;2004年09期

6 覃曉;元昌安;彭昱忠;丁超;;基于基因表達式編程的Web文本分類研究[J];網(wǎng)絡(luò)安全技術(shù)與應(yīng)用;2009年03期

7 諶志群;;文本趨勢挖掘綜述[J];情報科學(xué);2010年02期

8 王亞民;劉洋;;含附件文本的分類算法研究[J];情報雜志;2012年08期

9 江偉;潘昊;;基于優(yōu)化的多核學(xué)習(xí)方法的Web文本分類的研究[J];計算機技術(shù)與發(fā)展;2013年10期

10 陳福海;C++中用>>和<<重載實現(xiàn)文本文件的方便存取[J];現(xiàn)代計算機;1997年05期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 許君;王朝坤;劉立超;王建民;劉璋;;云環(huán)境中的近似復(fù)制文本檢測[A];第29屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（B輯）（NDBC2012）[C];2012年

2 易天元;葉春生;;工業(yè)鍋爐圖紙輸入的文本數(shù)據(jù)處理[A];1997中國控制與決策學(xué)術(shù)年會論文集[C];1997年

3 胡蓉;唐常杰;陳敏敏;欒江;;關(guān)聯(lián)規(guī)則制導(dǎo)的遺傳算法在文本分類中的應(yīng)用[A];第十九屆全國數(shù)據(jù)庫學(xué)術(shù)會議論文集（研究報告篇）[C];2002年

4 李文波;孫樂;黃瑞紅;馮元勇;張大鯤;;基于Labeled-LDA模型的文本分類新算法[A];第三屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集[C];2007年

5 黃云平;孫樂;李文波;;基于上下文圖模型文本表示的文本分類研究[A];第四屆全國信息檢索與內(nèi)容安全學(xué)術(shù)會議論文集（上）[C];2008年

6 蔣勇;陳曉靜;;一種多方向手寫文本行提取方法[A];第二十七屆中國控制會議論文集[C];2008年

7 李瑞;王朝坤;鄭偉;王建民;王偉平;;基于MapReduce框架的近似復(fù)制文本檢測[A];NDBC2010第27屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集(B輯)[C];2010年

8 胡俊;黃厚寬;;一種基于SVM的可視化文本分類的方法[A];第二十一屆中國數(shù)據(jù)庫學(xué)術(shù)會議論文集（技術(shù)報告篇）[C];2004年

9 勞錦明;韋崗;;文本壓縮技術(shù)研究的新進展[A];開創(chuàng)新世紀的通信技術(shù)——第七屆全國青年通信學(xué)術(shù)會議論文集[C];2001年

10 江荻;;藏語文本信息處理的歷程與進展[A];中文信息處理前沿進展——中國中文信息學(xué)會二十五周年學(xué)術(shù)會議論文集[C];2006年

中國重要報紙全文數(shù)據(jù)庫 前1條

1 戴洪玲;向Excel中快速輸入相同文本[N];中國電腦教育報;2004年

中國博士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 宋歌;基于聚類森林的文本流分類方法研究[D];哈爾濱工業(yè)大學(xué);2014年

2 韓開旭;基于支持向量機的文本情感分析研究[D];東北石油大學(xué);2014年

3 鄭立洲;短文本信息抽取若干技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2016年

4 韓磊;漢語句義結(jié)構(gòu)模型分析及其文本表示方法研究[D];北京理工大學(xué);2016年

5 劉林;面向論壇文本的大學(xué)生情緒識別研究[D];華中師范大學(xué);2016年

6 張博宇;基于局部特征的場景文本分析方法研究[D];哈爾濱工業(yè)大學(xué);2015年

7 胡明涵;面向領(lǐng)域的文本分類與挖掘關(guān)鍵技術(shù)研究[D];東北大學(xué)　;2009年

8 孫曉華;基于聚類的文本機會發(fā)現(xiàn)關(guān)鍵問題研究[D];哈爾濱工程大學(xué);2010年

9 尚文倩;文本分類及其相關(guān)技術(shù)研究[D];北京交通大學(xué);2007年

10 霍躍紅;典籍英譯譯者文體分析與文本的譯者識別[D];大連理工大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前10條

1 王軼霞;基于半監(jiān)督遞歸自編碼的情感分類研究[D];內(nèi)蒙古大學(xué);2015年

2 金傳鑫;氣象文本分類特征選擇方法及其在MapReduce上的實現(xiàn)[D];南京信息工程大學(xué);2015年

3 李少卿;不良文本及其變體信息的檢測過濾技術(shù)研究[D];復(fù)旦大學(xué);2014年

4 董秦濤;基于文本的個人情感狀態(tài)分析研究[D];蘭州大學(xué);2015年

5 鐘文波;搜索引擎中關(guān)鍵詞分類方法評估及推薦應(yīng)用[D];華南理工大學(xué);2015年

6 黃晨;基于新詞識別和時間跨度的微博熱點研究[D];上海交通大學(xué);2015年

7 陳紅陽;中文微博話題發(fā)現(xiàn)技術(shù)研究[D];重慶理工大學(xué);2015年

8 王s，

本文編號：277361