本文選題：社交網(wǎng)絡(luò) + 虛假用戶　； 參考：《自動(dòng)化學(xué)報(bào)》2017年03期

【摘要】：社交網(wǎng)絡(luò)的飛速發(fā)展給用戶帶來(lái)了便捷,但是社交網(wǎng)絡(luò)開(kāi)放性的特點(diǎn)使得其容易受到虛假用戶的影響.虛假用戶借用社交網(wǎng)絡(luò)傳播虛假信息達(dá)到自身的目的,這種行為嚴(yán)重影響著社交網(wǎng)絡(luò)的安全性和穩(wěn)定性.目前社交網(wǎng)絡(luò)虛假用戶的檢測(cè)方法主要通過(guò)用戶的行為、文本和網(wǎng)絡(luò)關(guān)系等特征對(duì)用戶進(jìn)行分類,由于人工標(biāo)注用戶數(shù)據(jù)需要的代價(jià)較大,導(dǎo)致分類器能夠使用的標(biāo)簽樣本不足.為解決此問(wèn)題,本文提出一種基于雙層采樣主動(dòng)學(xué)習(xí)的社交網(wǎng)絡(luò)虛假用戶檢測(cè)方法,該方法使用樣本不確定性、代表性和多樣性3個(gè)指標(biāo)評(píng)估未標(biāo)記樣本的價(jià)值,并使用排序和聚類相結(jié)合的雙層采樣算法對(duì)未標(biāo)記樣本進(jìn)行篩選,選出最有價(jià)值的樣本給專家標(biāo)注,用于對(duì)分類模型的訓(xùn)練.在Twitter、Apontador和Youtube數(shù)據(jù)集上的實(shí)驗(yàn)說(shuō)明本文所提方法在標(biāo)簽樣本數(shù)量不足的情況下,只使用少量有標(biāo)簽樣本就可以達(dá)到與有監(jiān)督學(xué)習(xí)接近的檢測(cè)效果;并且,對(duì)比其他主動(dòng)學(xué)習(xí)方法,本文方法具有更高的準(zhǔn)確率和召回率,需要的標(biāo)簽樣本數(shù)量更少.
[Abstract]:The rapid development of social networks brings convenience to users, but the openness of social networks makes them vulnerable to the influence of false users.False users use social networks to spread false information for their own purposes, which seriously affects the security and stability of social networks.At present, the detection methods of false users in social networks mainly classify users by their behavior, text and network relationship, because of the high cost of manually tagging user data.As a result, the classifier can use insufficient sample labels.In order to solve this problem, this paper proposes a double-layer sampling active learning based method for detecting false users in social networks. The method uses three indexes: sample uncertainty, representativeness and diversity to evaluate the value of unlabeled samples.The double-layer sampling algorithm combined with sorting and clustering is used to screen unlabeled samples, and the most valuable samples are selected for expert tagging, which is used to train the classification model.Experiments on the Twitter Apontador and Youtube datasets show that the method proposed in this paper can achieve a detection effect close to that of supervised learning by using only a small number of tagged samples when the number of tag samples is insufficient, and compared with other active learning methods.The proposed method has higher accuracy and recall rate and requires fewer tag samples.
【作者單位】： 信息物理社會(huì)可信服務(wù)計(jì)算教育部重點(diǎn)實(shí)驗(yàn)室;重慶大學(xué)軟件學(xué)院;悉尼科技大學(xué)工程與信息技術(shù)學(xué)院量子計(jì)算與智能系統(tǒng)研究中心;廣州博冠信息科技有限公司;
【基金】：國(guó)家重點(diǎn)基礎(chǔ)研究發(fā)展計(jì)劃(973計(jì)劃)(2013CB328903) 重慶市基礎(chǔ)與前沿研究計(jì)劃(cstc2015jcyj A40049) 國(guó)家自然科學(xué)基金(71102065) 國(guó)家科技支撐計(jì)劃(2015BAF05B03) 中央高校基礎(chǔ)研究基金(106112014CDJZR095502)資助~~
【分類號(hào)】：TP393.09;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;基于位置的手機(jī)社交網(wǎng)絡(luò)“貝多”正式發(fā)布[J];中國(guó)新通信;2008年06期

2 曹增輝;;社交網(wǎng)絡(luò)更偏向于用戶工具[J];信息網(wǎng)絡(luò);2009年11期

3 ;美國(guó):印刷企業(yè)青睞社交網(wǎng)絡(luò)營(yíng)銷新方式[J];中國(guó)包裝工業(yè);2010年Z1期

4 李智惠;柳承燁;;韓國(guó)移動(dòng)社交網(wǎng)絡(luò)服務(wù)的類型分析與促進(jìn)方案[J];現(xiàn)代傳播(中國(guó)傳媒大學(xué)學(xué)報(bào));2010年08期

5 賈富;;改變一切的社交網(wǎng)絡(luò)[J];互聯(lián)網(wǎng)天地;2011年04期

6 譚拯;;社交網(wǎng)絡(luò):連接與發(fā)現(xiàn)[J];廣東通信技術(shù);2011年07期

7 陳一舟;;社交網(wǎng)絡(luò)的發(fā)展趨勢(shì)[J];傳媒;2011年12期

8 殷樂(lè);;全球社交網(wǎng)絡(luò)新態(tài)勢(shì)及文化影響[J];新聞與寫(xiě)作;2012年01期

9 許麗;;社交網(wǎng)絡(luò):孤獨(dú)年代的集體狂歡[J];上海信息化;2012年09期

10 李玲麗;吳新年;;科研社交網(wǎng)絡(luò)的發(fā)展現(xiàn)狀及趨勢(shì)分析[J];圖書(shū)館學(xué)研究;2013年01期

相關(guān)會(huì)議論文 前10條

1 趙云龍;李艷兵;;社交網(wǎng)絡(luò)用戶的人格預(yù)測(cè)與關(guān)系強(qiáng)度研究[A];第七屆（2012）中國(guó)管理學(xué)年會(huì)商務(wù)智能分會(huì)場(chǎng)論文集（選編）[C];2012年

2 宮廣宇;李開(kāi)軍;;對(duì)社交網(wǎng)絡(luò)中信息傳播的分析和思考——以人人網(wǎng)為例[A];首屆華中地區(qū)新聞與傳播學(xué)科研究生學(xué)術(shù)論壇獲獎(jiǎng)?wù)撐腫C];2010年

3 楊子鵬;喬麗娟;王夢(mèng)思;楊雪迎;孟子冰;張禹;;社交網(wǎng)絡(luò)與大學(xué)生焦慮緩解[A];心理學(xué)與創(chuàng)新能力提升——第十六屆全國(guó)心理學(xué)學(xué)術(shù)會(huì)議論文集[C];2013年

4 畢雪梅;;體育虛擬社區(qū)中的體育社交網(wǎng)絡(luò)解析[A];第九屆全國(guó)體育科學(xué)大會(huì)論文摘要匯編(4)[C];2011年

5 杜p，

本文編號(hào)：1764556