基于极小极大博弈的水军识别算法研究

随着互联网的发展,用户越来越多地在线上完成购物、订餐,并倾向于先参考线上评论。评论对用户决策的重要导向作用催生了网络水军。网络水军会为了自身利益或其他不良动机,发布与实际体验不相符的评价,且会随时调整自己的策略来逃避平台的识别。现提出一个基于行为特征的水军识别算法(FBS),并将FBS加入到极小极大博弈,在这个博弈中,水军与识别器相互竞争,将博弈转换为两个相互依赖的马尔可夫决策过程,不断优化各自的策略,最终得到一个当前场景下最优的识别器。与当前先进的水军识别算法对比,性能有了明显提升,在公开数据集YelpChi上实际效应可以达到3.69。

基于贝叶斯模型的微博网络水军识别算法研究

为了能够有效地识别水军,在以往相关研究基础上,设置粉丝关注比、平均发布微博数、互相关注数、综合质量评价、收藏数和阳光信用这6个特征属性来设计微博水军识别分类器,并基于贝叶斯模型和遗传智能优化算法实现了水军识别算法。利用新浪微博真实数据对算法性能进行了验证,实验结果表明,提出的贝叶斯水军识别算法能够在不牺牲非水军识别率的情况下,保证水军识别的准确率,而且提出的阈值优化算法能显著提升水军识别的准确率。

网络水军识别研究

网络水军识别关键技术已成为当前数据挖掘领域最为活跃的研究之一.如何挖掘海量用户信息中潜藏的网络水军特征与行为模式,从而发现网络水军,以维护良好的网络环境,保障合理的网络秩序,已成为一项十分具有挑战性的工作.对比传统与新型网络水军识别研究,从识别特征角度对近几年内网络水军识别研究进展进行综述,对其关键技术和效用评价进行了前沿概括、比较和分析,并对网络水军识别中有待深入研究的难点和发展趋势进行了展望.

基于隐空间代价敏感学习的微博水军识别方法

根据微博水军活动的特点,提出一种基于隐空间代价敏感学习的半监督水军识别方法。从内容、行为、社交关系3个视角选取微博账户的22个特征,结合矩阵隐空间分解、代价敏感学习和社交关系正则技术,构造代价敏感的半监督最大间隔分类模型,并利用随机梯度下降算法求解模型的线性复杂度。实验结果表明,该方法在准确率、召回率和F1指标上均优于SMFSR和L2-SVMs方法,并且具有接近线性的学习速度。

基于半监督协同训练算法的微博水军识别

在迅速发展的互联网时代,微博产生了大量的信息,但是在微博话题等地带存在着较多水军,水军在一定程度上影响了普通用户了解某人或者某事的真实情况。因此,为了高效、准确地识别水军,针对水军样本数量少、非水军样本数量庞大等问题,综合考虑使用半监督协同训练算法。该算法通过研究微博用户的多个特征并对其进行综合分析,重新定义了6个属性特征值,包括账户关注度、每日发表微博数、微博影响力等。依据算法的特点,将6个属性特征值分为两个属性集,每个属性集对应一个视图,每个视图利用Scikit-Learn机器学习库中的7种分类方法训练出分类器,以对微博用户进行水军识别,最后在爬取的微博用户数据集上进行实验。实验结果表明,两个视图在分别使用朴素贝叶斯算法、逻辑回归算法训练分类器时,分类结果的准确率、召回率、精度和F1-measure值都较高。因此,综合分析微博用户特征并且使用符合实际情况的半监督协同训练算法,能够准确、高效、快速地识别微博水军。

基于用户表示学习的微博水军识别研究

[目的/意义]微博水军的"异军突起",导致微博充斥着大量虚假信息,社会舆情环境也受到干扰。因此,如何快速、精准地识别微博水军,是亟待解决的问题。[方法/过程]提出一种用户表示学习的方法,通过分析用户的行为特征,采用user2vec算法将用户表示成向量来对水军进行识别。[结果/结论]实验证明,该算法能够准确地识别出样本中的水军。相比已有研究,该算法能在通过学习小比例的训练数据,在大比例的测试数据上实现较高的分类准确率,一定程度上实现了弱监督的微博水军识别。

基于Affinity Propagation算法的半监督微博水军识别

对微博网络空间中水军账户的识别研究,有助于清朗网络空间和维护社会安定。首先,文章针对微博水军不断进化、传统特征集无法覆盖现有水军特征,结合水军定义与原始特征,构造了新特征。然后,针对水军账户标注困难,无标注数据又没能充分利用的问题,提出了一种基于Affinity Propagation算法的半监督微博水军识别方法(APDHW)。该方法通过在Affinity Propagation算法中引入欧氏距离Radius阈值,再结合支持向量机分类算法,实现对微博水军识别。通过多组实验对比及实证研究,结果表明文章所提的微博水军识别方法在牺牲少量算法时间的情况下得到较好的识别效果,提升了水军识别的准确率和召回率。

一种基于深度神经网络的水军识别模型

为了能够有效识别网络水军,综合考虑网络水军的产生、目的、相互之间的关系以及作案模式等因素,建立一个机器学习的模型。利用谷歌的TensorFlow框架,设计基于TensorFlow深度神经网络的水军识别模型(TDN)。通过分析网络正常用户和水军用户自身的特征以及TensorFlow框架的层数对识别准确率的影响。利用新浪微博真实数据对算法性能进行验证,结合实验表明,TDN模型较其他相关模型,该模型算法在水军识别研究方面具有更高准确率和可靠性。

基于豆瓣网短评的网络水军识别

网络水军随着网络社交平台的发展而兴起,严重影响了用户在虚拟网络真实性的权益,干扰了用户正常的言论空间。本文根据分析了网络水军的行为模式,提取了用户静态信息和评论行为信息的特征,基于多种分类算法比较水军分类的结果,以选择水军识别效果更为显著的模型。实验结果表明,支持向量机的模型对网络水军的识别具有更高的准确性。

基于CiteSpace的网络水军动态研究、热点及展望

近年来,网络水军的存在和蔓延已成为网络安全和社会稳定的重大隐患,研究网络水军现象成为学术界和实务界的关注重点。通过CiteSpace文献分析工具,对网络水军研究领域的相关文献进行了系统性梳理和分析,通过共词分析、聚类分析等方法,揭示网络水军研究的时空分布、研究热点及发展趋势。研究结果表明,网络水军的识别与监管、社会影响及其治理策略是当前研究的热点领域。研究力量分布不均、合作密切度较低、研究方法有待进一步创新是相关领域存在的主要问题。未来应结合前沿信息技术,加强关于网络水军智能化研究和对网络水军隐蔽行为的挖掘研究,并加强学界合作,深化跨学科研究。

面向网络安全治理的用户身份识别技术与挑战

网络用户身份识别对维护网络安全、推动网络身份管理制度建设具有重要价值。网络用户身份识别既是用户画像、行为预测、精准服务的研究基础,也是水军账号甄别、网络社会治理、涉网犯罪打击的技术支撑。分析了用户身份识别技术的进展,及其在机器人水军识别、目标社区检测和跨社交网络用户对齐方面的应用。首先,从用户身份识别的定义与发展历程出发,介绍了用户身份识别方法的分类;其次,对不同特征下的机器人水军识别方法进行了阐述,并分析了不同方法的主要适用场景;然后,针对水军相关的目标社区检测任务,梳理了目标社区检测技术的发展;其次,对现有跨社交网络用户对齐技术进行了分类。最后,对用户身份识研究当前面临的挑战进行了论述,并对其未来作出了展望。

国内网络水军识别研究

目前网络水军的识别已经成为一项具有挑战性的工作。为了维持良好的网络环境,保证合理的网络秩序,我们可以从大量的用户信息中挖掘出水军的特征和行为模式,从而发现网络水军。按水军目标领域可划分为邮件水军、电商领域的网络水军、社交领域的网络水军和微博领域的网络水军并从其目标领域角度对近几年国内网络水军识别研究进行综述,并对网络水军识别方法进行了叙述。

基于社交网络结构的马甲水军检测方法

在社交网络中,一些有害账号被检测并拦截后,又会衍生出新的马甲水军账号继续传播负面言论、谣言等,严重损害了社会公众的利益.以往许多马甲水军检测工作都是基于语言特征和非语言行为特征(如发文习惯)开展的,虽然取得了一定的成功,但一些聪明的马甲水军很容易伪造他们的语言和行为特征来逃避检测,因此很难保证这些检测方法的性能.然而,在社交网络中,用户间的社交结构并没有被充分地挖掘和利用.提出基于社交网络结构的在线马甲水军检测方法,将马甲水军识别转化为相似子图匹配问题.该方法在新浪微博数据集上进行了实验,实验结果证明了所提出的马甲水军检测方法的有效性.

微博中异常主体识别

社交网络应用在人们生活中扮演起日益重耍角色,识别出影响网络环境清朗的网络水军凸显其重要性。本文从微博水军行为、发帖内容、用户关系、环境情况的特点出发,得到多个单独判断水军的特征,选择其中对于跟帖用户来说相互独立或者只是有很少关联度的特征子集,通过朴素贝叶斯方法进行综合分类,对原理和数学方法进行了深入研究。在此基础上利用实验数据进行了实例分析,有效解决了数据集正负样本均衡问题。

微博名人粉丝群体的特征差异及其影响

当今微博围绕新兴网红越来越多有组织的粉丝群体涌现,形成了所谓“粉丝控评”现象.本文通过研究这些网红粉丝群体的行为来了解其特征和影响.本文抽样爬取了若干当红名人微博下的数据,通过聚类分析对比研究不同粉丝群体的特征行为.发现这些高活跃粉丝不同于传统水军的定义,有着非常高的互动行为;并且以低影响力、年轻的女性群体为主.这个群体非常严重地扭曲了微博各项指标数据,无论是水军的识别方法还是个体影响力的判断都需要重新考虑这个群体的影响.

基于水军信任惩罚的多维用户影响力度量模型

社交网络用户影响力度量是意见领袖识别的必要前提,然而目前的度量模型忽略了多维影响因素以及水军群体对度量模型真实性的影响.为此本文从网络结构、交互行为和交互信息三个维度来分析整合相关的影响因素,基于LeaderRank模型构建多维用户影响力度量-MUI模型,并在水军识别的基础上构建信任惩罚模型,以修正MUI模型建立MUISTP模型,实现社交网络用户影响力的真实性度量.以新浪微博平台大规模实际数据进行实验分析结果表明,与FBI,LeaderRank和Generative Graphical模型相比,MUI模型识别出的意见领袖更为准确,且可以实现更为有效的信息扩散.此外,经过水军信任惩罚后MUISTP模型较MUI能够实现更为有效的意见领袖识别.