融合多特征聚類的垃圾微博檢測研究.pdf

1、近年來，微博因?yàn)榻挥押瞳@得信息的便利性，逐漸成為人們廣泛接受的在線社交方式之一。然而這種便利性也給垃圾用戶帶來了可乘之機(jī)。每天微博中都包含大量的廣告微博，這些信息反復(fù)出現(xiàn)，難以辨別真假，嚴(yán)重影響了用戶的用戶體驗(yàn)，更甚者，許多虛假中獎(jiǎng)抽獎(jiǎng)，違規(guī)醫(yī)藥等微博還會騙取用戶個(gè)人信息，威脅用戶的健康和財(cái)產(chǎn)?；谔卣魈崛〉奈谋痉诸惣夹g(shù)是常見的垃圾識別方法，特征的有效性會決定著垃圾微博的識別精度。本文以新浪微博為例，對垃圾微博檢測方法進(jìn)行了深入研究，具

2、體研究內(nèi)容如下：
　　首先，包含第三方聯(lián)系方式是垃圾微博的重要基本特征之一。URL是垃圾用戶采用的一種常見的聯(lián)系方式。許多反垃圾研究都是基于URL實(shí)現(xiàn)的，新浪微博也采用這種方式檢測垃圾微博，因此許多垃圾用戶都逐步采用了新型的聯(lián)系方式，但是在以往的研究中，這些方式?jīng)]有得到重視。為了提高垃圾微博的識別廣度，我們不僅考慮了URL，也考慮了垃圾用戶會使用的其他幾種聯(lián)系方式。這些聯(lián)系方式包括偽裝格式的URL、QQ號、微信號和電話號碼。

3、>　　其次，針對微博文本特征的隨機(jī)性，我們提出了基于相似微博聚類的垃圾微博檢測方法。在新浪微博中，約有30％的微博長度不足15個(gè)字符，在這些短文本中，許多垃圾微博和正常微博看起來十分相似，難以識別。為了得到更多的受騙者，垃圾用戶總是操作多個(gè)賬戶同時(shí)發(fā)布垃圾微博，同一條垃圾微博會反復(fù)出現(xiàn)，相似的文本描述和同樣的聯(lián)系方式也會反復(fù)被使用，而正常微博不會。而相似微博聚類能夠有效聚合垃圾微博，可以克服微博文本特征的隨機(jī)性和模糊性。最后在真實(shí)的新浪

4、微博數(shù)據(jù)上進(jìn)行了對比實(shí)驗(yàn)，分類結(jié)果證明相似微博簇的特征參與分類時(shí)，分類準(zhǔn)確度提升了10%。
　　最后，很多垃圾用戶會對垃圾微博進(jìn)行包裝，采用熱門新聞或網(wǎng)絡(luò)事件填充微博。這時(shí)，文本特征是無效的，從文本上判斷不出微博的垃圾屬性。為此，我們引入了用戶屬性。微博文本包裝容易，而用戶的屬性如注冊時(shí)間，微博數(shù)目等特征是一定的，難以改變，這些屬性能夠輔助微博的垃圾類別判定。在此基礎(chǔ)上，我們提出了融合多特征聚類的垃圾微博檢測算法。在真實(shí)的微博數(shù)據(jù)