面向中文文本的欺騙行為檢測研究.pdf

1、隨著計(jì)算機(jī)和網(wǎng)絡(luò)技術(shù)的不斷發(fā)展,新的通訊方式正被越來越多的用戶接受和使用。從傳統(tǒng)的電子郵件、即時通信到時下流行的微博、微信等都為人們提供了一種便捷的信息傳播方式,也為用戶及時分享和交互大量的信息提供了公共平臺。這些以網(wǎng)絡(luò)通訊為媒介的信息傳播方式在改變?nèi)藗內(nèi)粘Ｉ畹耐瑫r,也為欺騙帶來了新的場所和形式?，F(xiàn)有研究表明,三分之一的人際交往中會涉及到潛在的欺騙,大量的欺騙信息充斥在各種各樣的通訊媒介中。如果某個欺騙信息對個人生命、組織生存、甚至國

2、家安全有潛在的危險(xiǎn),那么疏忽欺騙將會導(dǎo)致難以估量的損失。目前針對中文文本欺騙自動檢測還沒有一種行之有效的方法,因此,如何準(zhǔn)確高效地進(jìn)行欺騙信息自動檢測成為當(dāng)前一個迫切需要解決的問題。
　　欺騙已在社會科學(xué)的很多學(xué)科中被廣泛研究,它是指信息發(fā)送者故意傳送錯誤的消息以導(dǎo)致接收者得出錯誤的結(jié)論,基于此,近年來自然科學(xué)領(lǐng)域的相關(guān)專家采用基于統(tǒng)計(jì)、機(jī)器學(xué)習(xí)和自然語言處理等方法開展了欺騙檢測的研究。目前欺騙檢測已成為信息安全領(lǐng)域的重要研究內(nèi)容

3、,國外對欺騙檢測的研究都以英文自然語言為研究對象,主要集中在四個方面:欺騙檢測的理論研究、欺騙檢測的模型研究、欺騙檢測的實(shí)驗(yàn)研究和欺騙檢測的數(shù)據(jù)集研究,而專門針對中文文本的欺騙檢測研究在國內(nèi)外還處于初級階段。
　　本文以探索中文文本欺騙檢測方法為主要目標(biāo),闡述了國內(nèi)外欺騙檢測的應(yīng)用背景和研究現(xiàn)狀,構(gòu)建了中文文本欺騙檢測數(shù)據(jù)集,挖掘了數(shù)據(jù)集中的欺騙性語言線索和詞特征,分別提出了基于分類技術(shù)的欺騙檢測方法、基于多粒度認(rèn)知的欺騙檢測方法

4、和基于集成學(xué)習(xí)的欺騙檢測方法,并對不同模型分別進(jìn)行了實(shí)驗(yàn)驗(yàn)證和分析。
　　具體來講,本文的主要工作和創(chuàng)新點(diǎn)如下:
　　(1)構(gòu)建了中文文本欺騙行為檢測語料庫。
　　提出了欺騙檢測語料庫的構(gòu)建規(guī)范和原則,介紹了欺騙檢測語料庫中文本的來源、內(nèi)容、規(guī)模及語料的加工措施。同時,基于語料庫的構(gòu)建原則建立了包括1493篇欺騙性文本和10191篇非欺騙性文本的欺騙檢測語料庫。
　　(2)研究了欺騙特征線索抽取方法。
　　

5、提出了基于假設(shè)檢驗(yàn)的語言學(xué)線索抽取方法,首先假設(shè)一組能夠判別欺騙性文本和非欺騙性文本的語言線索集,再利用統(tǒng)計(jì)實(shí)驗(yàn)數(shù)據(jù)分別驗(yàn)證每個假設(shè)線索,最后確定對中文文本欺騙檢測有用的語言線索集;提出了兩種詞特征抽取方法:①利用互信息、CHI統(tǒng)計(jì)方法抽取文本中特征值較大的詞,②基于依存句法分析結(jié)果選取欺騙檢測語料庫中文本的核心詞,將上邊兩種方法抽出的詞作為文本詞特征。
　　(3)提出了基于分類技術(shù)的欺騙檢測方法。
　　利用分類方法能夠從文

6、本消息中區(qū)分出欺騙性和非欺騙性消息的能力,本文將欺騙檢測問題轉(zhuǎn)化為二分類問題,提出了一種基于分類技術(shù)的中文文本欺騙行為檢測模型。該模型分別采用三種分類技術(shù)進(jìn)行了欺騙檢測實(shí)驗(yàn),包括貝葉斯分類器、最大熵分類器和支持向量機(jī)分類器。
　　(4)提出了基于多粒度認(rèn)知的欺騙檢測方法。
　　本文從多粒度認(rèn)知角度提出了兩種欺騙檢測模型:基于多特征的欺騙檢測模型和基于多層次的欺騙檢測模型。多特征的欺騙檢測模型驗(yàn)證了不同類型的特征集對欺騙檢測結(jié)