基于朴素贝叶斯的网络舆情话语生态分析

进入互联网时代,各网络平台逐渐成为人们述说己见(网评)的重要阵地,而这些网评时时夹杂着各种情绪偏激、内容低俗等语言信息,从语言生态学角度来分析,这是典型的话语生态失衡的表现。对此相关网络监管部门有必要实时监督,及时处理,进行反馈并加以引导。文章以弹幕评论这一新兴的短小语言信息为研究对象,利用网络爬虫数据挖掘技术采集B站弹幕评论数据,用Pandas库和正则表达式等技术完成数据清洗,在朴素贝叶斯分类基础上,利用Jieba库实现分词,运用情感分析进行研判,得到舆情话语生态分析的主要语料,在此基础上筛选出负面情绪的弹幕语料进行生态话语分析。实验基于朴素贝叶斯对案例内容分类并加以训练,可得到评价分类与预测结果,实验表明,该系统稳定可靠,具有良好的效果。

基于朴素贝叶斯分类器的网络安全态势评估方法

针对目前网络安全态势评估范围局限、信息来源单一、时空复杂度较高且准确性偏差较大等问题,提出了一个朴素贝叶斯分类器的网络安全态势评估方法,充分考虑了多信息源与多层次异构信息融合,具有快速高效性,从整体动态上展示出网络当前安全状况,准确地反映了网络当前安全态势。最后利用网络实例数据,对所提出的朴素贝叶斯分类器的网络安全态势评估模型和算法进行了验证,实验结果表明了所提方法的正确性。

基于朴素贝叶斯网络的微博话题追踪技术研究

根据微博的特点,提出了基于朴素贝叶斯网络模型的微博话题追踪算法,在改进型DF的文本特征选择方法的基础上,通过构建朴素贝叶斯网络模型,设计并实现对微博话题的追踪系统。实验结果表明,基于朴素贝叶斯网络的微博话题追踪系统具有分类简单、高效的优点,特别适合对微博热门话题进行追踪。

基于本体和加权朴素贝叶斯的网络舆情主题分类

及时准确地对舆情信息进行主题分类,不仅能实时了解舆情动态变化,还能为预判舆情发展趋势、舆论引导建立基础。本文提出一种基于本体和加权朴素贝叶斯的网络舆情主题分类方法,通过使用本体将领域知识和领域文本特征融入分类过程中。将该方法应用到动物卫生领域舆情主题分类中,分类结果精确度为0.9402,Marco_F1达到0.9339。通过与朴素贝叶斯(NB)和THUCTC两种方法的对比实验,证明本文提出的基于本体和加权朴素贝叶斯的分类方法有效且具有可行性,但是领域本体的概念、关系的完备程度会影响分类的效率。

基于朴素贝叶斯算法的社交网络数据挖掘技术研究

近年来,随着互联网技术飞速发展与普及,大量社交网络平台迅速崛起;社交网络平台拉近了日常人际关系,提供了便捷的信息通讯交流通道;同时,针对社交网络平台数据挖掘的技术研究成为不可缺少的网络数据研究领域一部分;现有社交网络数据挖掘技术所采用的传统数据挖掘算法与数据分离模式,存在大数据多元特征条件下,数据挖掘准确度降低、挖掘分类逻辑混乱等现象;针对问题产生根源,提出基于朴素贝叶斯算法的社交网络数据挖掘技术研究;采用基于朴素贝叶斯算法设计的PCIE-FN社交网络数据挖掘平台进行全面化的深入性解决;通过实验证明,提出的基于朴素贝叶斯算法的社交网络数据挖掘技术研究,各项数据满足社交网络数据挖掘日常应用要求。

基于K-均值聚类的朴素贝叶斯网络分类模型

针对朴素贝叶斯网络分类模型在处理高维大数据量时的效率偏低和准确率有待提高的问题,结合主元分析法与K-均值聚类算法构造出了一个改进的朴素贝叶斯网络分类模型;摒弃了非类属性变量相对于类属性变量相对独立的前提条件,算法首先用主元分析法在对数据集的信息量尽量保存的同时进行了降维操作,使得算法可以着重于进行分类问题;算法还提出了一个"相对融合点"的概念,有效地提高了算法的性能;最后对算法的性能进行了分析,并将改进的算法应用到实际的数据集进行实验,用算法产生的分类结果对数据集中产生的一些缺失数据进行修补。

利用类概率估计的加权平均树增强朴素贝叶斯网络结构

树增强朴素贝叶斯模型通过放松条件属性独立来改进贝叶斯模型,结构学习效率较高且简单。然而在一些实际实验测试中,树增强朴素贝叶斯分类模型的分类精确性和失误率的效果却不好。因此,设计了加权平均的树增强朴素贝叶斯分类算法来改进分类的效果,并且利用对数条件似然函数来测试分类估计的效果,给出加权平均的树增强朴素贝叶斯分类模型在训练阶段和测试阶段的算法,最后利用Weka平台公布的大量的UCI数据集通过十字交叉验证法来进行实验,结果表明加权平均树增强朴素贝叶斯分类模型明显优于最优朴素贝叶斯分类模型和树增强的朴素贝叶斯分类模型。

基于树扩展朴素贝叶斯的高效网络入侵检测系统

提出了一种基于树扩展朴素贝叶斯(tree augmented naive Bayes,TANB)的入侵检测方法.该方法基于传统的朴素贝叶斯(naive Bayes,NB)和贝叶斯网络(Bayes network,BN)方法,结合了前者计算简单和后者能表示属性间相关性的优点.同时我们提出使用增益比率进行网络特征选择来进一步提高检测性能.通过对DARPA数据的入侵检测实验,与传统方法做了比较,其结果表明,我们提出的入侵检测方法效果很好,对各种入侵类型的检测率都很高.

基于Python的朴素贝叶斯分类中文网络舆情分析

在互联网时代,网络已成为反映社会舆情的主要载体,对网络舆情所表达的信念、态度、意见和情绪等,相关部门应及时反馈并引导,防患于未然。利用数据挖掘技术对舆情进行梳理,继而研判与引导,成为舆情分析的重要手段。在朴素贝叶斯分类模型基础上,使用Pands开源库与Jieba分词系统,可对中文网络舆情进行分析。以服饰网店评论为例,基于朴素贝叶斯对案例评价内容分类并加以训练,可得到评价分类与预测结果。实验表明该系统稳定可靠,准确度高。

基于客户消费习惯的贝叶斯网络的分类算法

面对大量用户的通信消费数据,如何对其进行挖掘从而获得有价值的信息,对客户进行分类,并制定不同的服务策略,是当前通信企业面临的一个普遍问题。本文介绍了几种常用的文本分类算法,通过分析用户的消费行为数据,选取了朴素贝叶斯分类预测算法、贝叶斯网络分类预测算法和决策树分类预测算法对用户进行分类,实验结果表明贝叶斯网络分类预测算法对于用户通信消费数据具有较好的分类效果。

基于贝叶斯网络理论的空气质量分析与预测

为科学构建空气质量监测体系,提升空气质量预测精度,基于海量监测数据的不确定性,提出了一种基于贝叶斯网络的方法来预测空气质量指数AQI及相应的等级。以合肥市为研究对象,首先利用朴素贝叶斯分类算法来预测空气质量等级,训练得到待验样本的分类准确率为85%,由于该算法的条件独立性假设过于严格,进一步引入贝叶斯网络模型实证研究,基于后验概率分布训练得到预测结果。仿真实验表明待验样本的AQI预测平均绝对百分比误差为6.89%,空气质量等级分类准确率为90.28%,说明贝叶斯网络具有良好的预测效果,能为空气质量预测预报提供技术支撑,助力城市空气质量改善。

基于朴素贝叶斯分类算法的活跃网络结构挖掘

研究了利用朴素贝叶斯分类算法对电子邮件进行分类处理,引入了活跃网络和活跃度的概念,提出了犯罪组织通讯网络的描述算法以及组织结构的挖掘算法,实验证明了算法的有效性。

基于朴素贝叶斯的网络查询日志session划分方法研究

随着互联网的快速发展,网络查询日志分析技术成为提高网络搜索引擎表现和分析用户搜索行为的关键,而session划分是网络查询日志分析中的一个重要环节.目前常用的session划分方法主要是基于查询项的时间间隔进行划分,即将一段时间内的查询项视为同一session.这种方法实施简单,但是划分的准确率不高,无法满足对session划分精确度要求很高的应用场景的要求.因此提出了一种新的网络查询日志session划分方法——基于朴素贝叶斯的网络查询日志session划分方法.该方法将session划分问题转化为判断查询项是否为session边界的问题,分析了查询项时间间隔、查询项的语义和相邻查询项的加减词这三种影响session划分的重要因素,并通过朴素贝叶斯法对查询项是否为session边界进行分类,最后设计实验验证了该方法的有效性.

融合生成对抗网络和朴素贝叶斯皮肤病诊断方法

不同皮肤病间发病率的差异导致了皮肤病数据类不平衡现象,对使用机器学习方法构建高效、准确的皮肤病诊断模型带来了巨大挑战。提出一种融合生成对抗网络(generative adversarial networks,GAN)和朴素贝叶斯的皮肤病二分类诊断方法:在皮肤病数据集上训练朴素贝叶斯二分类器作为诊断器,创新性地使用GAN为前者生成补充训练样本,使其训练集正负类样本达到平衡。针对皮肤病诊断多分类问题,提出一种融合生成对抗网络和朴素贝叶斯的多分类诊断方法:使用GAN和朴素贝叶斯训练皮肤病单病种二分类器,并结合了词频-逆文档频率算法(term frequency-inverse document frequency,TF-IDF),将多个二分类器组合成一个多分类器作为诊断器。与六种诊断方法进行了对比实验,提出的两种皮肤病诊断方法准确率和召回率均有提升。

基于朴素贝叶斯的社交网络入侵行为取证模型构建

目前社交网络入侵行为取证模型的异常类型匹配度较低、取证匹配范围较小。利用朴素贝叶斯构建了一种新的社交网络入侵行为取证模型。利用改进网络模型扩建检测框架,分析朴素贝叶斯网络内部节点,通过重复和评价实现入侵特征分类,完成入侵检测分析。以贝叶斯概率理论为基础,建立朴素贝叶斯来构建社交网络入侵行为取证模型,基于先验概率寻找后验概率的核心思想实现入侵行为取证。实验结果表明,基于朴素贝叶斯的社交网络入侵行为取证模型的异常类型匹配度高、取证范围大、实际应用效果好。

动态朴素贝叶斯网络分类器的特征子集选择

分类准确性是分类器最重要的性能指标,特征子集选择是提高分类器分类准确性的一种有效方法。现有的特征子集选择方法主要针对静态分类器,缺少动态分类器特征子集选择方面的研究。首先给出具有连续属性的动态朴素贝叶斯网络分类器和动态分类准确性评价标准,在此基础上建立动态朴素贝叶斯网络分类器的特征子集选择方法,并使用真实宏观经济时序数据进行实验与分析。

利用朴素贝叶斯模型进行多层网络链接预测

针对多层网络链接预测中层间信息融合的问题,提出了一种利用朴素贝叶斯模型的链接预测方法。该方法结合目标层的邻域信息和辅助层相对于目标层的全局信息进行链接预测。在目标层中,根据节点对的邻域信息,利用朴素贝叶斯模型计算其连接概率;在辅助层中,计算节点对在该层有边或无边时在目标层存在链接的概率。在真实数据和合成数据上的实验结果表明:该算法在正相关和负相关的多层网络中都有很好的预测性能。

大规模混合网络中基于朴素贝叶斯分类的TCP自适应鉴别器

针对有效区分分组丢失类别问题,提出了一种端到端多参数度量自适应拥塞控制算法——TCP-NBayes算法。首先根据混合网络下有线链路和无线链路分组丢失特性的不同选取特征参数。然后基于朴素贝叶斯理论建立区分无线随机丢失和拥塞丢失的鉴别模型。仿真实验表明该算法分类准确度最高可达95%,与其他算法相比,其友好性与公平性表现良好,对网络性能有很大的改善。

基于全卷积神经网络和朴素贝叶斯数据融合的桥梁裂缝识别算法

混凝土桥梁常年遭受气候、环境等方面的影响而容易产生裂缝,存在安全隐患,因此定期检测与维护桥跨结构对于评估桥梁健康状况非常重要,而且早期的检测和评估是混凝土桥梁修复的最佳机会。为解决传统的基于视觉特征的缺陷检测方法速度较慢且精度较低,很难满足工程施工需要的问题,提出了一种新的基于全卷积神经网络和朴素贝叶斯数据融合模型的混凝土桥梁裂缝自动识别算法,用于裂缝图像分割。首先,采用一种新型的高精度图像采集设备BSD-10从10座待检测桥梁的不同子结构中收集了不同光源和距离下的7200幅图像,并通过滑动窗口、旋转以及拆分的方法来扩增数据集,以避免发生过拟合等问题。其次,通过图像旋转法和随机高斯变量法等技术扩增数据,搭建了裂缝数据集。接着,对模型进行大量多次迭代训练,得出了最优参数和迭代次数。最后,对裂缝进行骨架化处理,通过电子测距计算了裂缝长度和宽度。结果表明:与最新的算法相比,所提出算法的识别精度与计算时间均体现了较明显的优势,其精确度达到了97.96%,平均检测时间为1.61 s;即使在光照不均匀、各种噪音干扰、背景灰度水平不同的情况下,所提出算法的裂缝提取结果仍然是比较稳定的,裂缝长度和宽度误差小到足以满足工程要求,能够节省工程检测时间。

面向水质分类的分组降维核朴素贝叶斯模型

为提高贝叶斯模型在实际数据中处理相关性维度时的效率、精度,并保持其可解释性,本文提出一种改进的核朴素贝叶斯模型。首先通过关联规则挖掘相关维度子集,然后对这些子集进行降维处理,利用降维后的数据构建核朴素贝叶斯模型。实际应用的结果显示,该模型减少了降维对数据的影响,在保留有效信息的同时,提高了模型的可解释性。