炒作微博的特征分析與識(shí)別研究.pdf

1、隨著微博用戶數(shù)量的快速增長，微博的炒作現(xiàn)象也越來越嚴(yán)重?！熬W(wǎng)絡(luò)水軍”和“網(wǎng)絡(luò)推手”等利用微博散布謠言及虛假信息，嚴(yán)重干擾了網(wǎng)絡(luò)秩序。目前，在對微博炒作的研究方面，主要集中在微博問政和微博傳播倫理研究上，對炒作微博的深層次識(shí)別研究較少。因此，提取出炒作微博的典型特征并構(gòu)造高效的分類識(shí)別器就成為了本文的研究重點(diǎn)。
　　微博的特征提取和分類算法對識(shí)別準(zhǔn)確率有較大影響。本文首先對微博的典型特征進(jìn)行分析并提取。然后，在對經(jīng)典的支持向量機(jī)(S

2、upport Vector Machine，SVM)算法進(jìn)行研究的基礎(chǔ)上，結(jié)合粒子群算法(Particle Swarm Optimization，PSO)和遺傳算法(Genetic Algorithm，GA)構(gòu)造出PSO-SVM和GA-SVM分類器，用于優(yōu)化SVM中參數(shù)選擇的隨機(jī)性，對比分析得出較優(yōu)分類器用于識(shí)別炒作微博。具體研究內(nèi)容如下:
　　首先，闡述了炒作微博的研究背景、國內(nèi)外的研究現(xiàn)狀，以及本文的研究內(nèi)容。
　　其次

3、，對傳統(tǒng)的支持向量機(jī)分類算法原理與核函數(shù)選擇進(jìn)行了介紹，說明了粒子群算法和遺傳算法用于優(yōu)化SVM核參數(shù)和懲罰因子的原理。
　　然后，基于數(shù)據(jù)爬取工具爬取到的微博信息，利用matlab和Pajek繪制出傳播結(jié)構(gòu)圖、散點(diǎn)圖和累積分布函數(shù)曲線分析了微博的特征，并使用基于傳統(tǒng)的模塊度算法改進(jìn)的Fast-Newman算法和Floyd算法來提取出社團(tuán)模塊度和平均最短路徑。針對名人效應(yīng)對炒作微博識(shí)別準(zhǔn)確率的干擾問題，進(jìn)一步分析提取出關(guān)鍵用戶屬性

4、特征。
　　接下來，針對傳統(tǒng)SVM的參數(shù)選擇的人為隨機(jī)性和耗時(shí)性，使用PSO和GA算法優(yōu)化SVM參數(shù)，構(gòu)造出PSO-SVM和GA-SVM分類器，分析對比并使用特征向量對分類器進(jìn)行訓(xùn)練，得出了具有較高檢驗(yàn)準(zhǔn)確率的分類模型。
　　最后，定義分類器性能評(píng)價(jià)指標(biāo)，并對實(shí)驗(yàn)結(jié)果進(jìn)行了對比分析。實(shí)驗(yàn)結(jié)果表明，使用PSO-SVM分類器，結(jié)合提取出的6維特征向量，能夠較好地克服名人效應(yīng)對炒作微博識(shí)別準(zhǔn)確率的干擾，有效地識(shí)別出炒作微博。最終分