炒作微博的特征分析與識別研究.pdf

1、隨著微博用戶數(shù)量的快速增長，微博的炒作現(xiàn)象也越來越嚴重。“網(wǎng)絡水軍”和“網(wǎng)絡推手”等利用微博散布謠言及虛假信息，嚴重干擾了網(wǎng)絡秩序。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別研究較少。因此，提取出炒作微博的典型特征并構造高效的分類識別器就成為了本文的研究重點。
　　微博的特征提取和分類算法對識別準確率有較大影響。本文首先對微博的典型特征進行分析并提取。然后，在對經典的支持向量機(S

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

3、，對傳統(tǒng)的支持向量機分類算法原理與核函數(shù)選擇進行了介紹，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繪制出傳播結構圖、散點圖和累積分布函數(shù)曲線分析了微博的特征，并使用基于傳統(tǒng)的模塊度算法改進的Fast-Newman算法和Floyd算法來提取出社團模塊度和平均最短路徑。針對名人效應對炒作微博識別準確率的干擾問題，進一步分析提取出關鍵用戶屬性

4、特征。
　　接下來，針對傳統(tǒng)SVM的參數(shù)選擇的人為隨機性和耗時性，使用PSO和GA算法優(yōu)化SVM參數(shù)，構造出PSO-SVM和GA-SVM分類器，分析對比并使用特征向量對分類器進行訓練，得出了具有較高檢驗準確率的分類模型。
　　最后，定義分類器性能評價指標，并對實驗結果進行了對比分析。實驗結果表明，使用PSO-SVM分類器，結合提取出的6維特征向量，能夠較好地克服名人效應對炒作微博識別準確率的干擾，有效地識別出炒作微博。最終分