[发明专利]一种微博广告用户检测方法

权利要求书

1.一种微博广告用户检测方法，其特征在于，包括以下步骤：

步骤1、收集微博用户数据，并进行人工类别标识；

步骤2、对所述步骤2中的所述用户进行特征抽取，并选取出特征属性集；

步骤3、根据步骤1标识好的用户类别以及步骤2抽取的特征属性集，利用数据挖掘分类算法进行模型训练，得到用户判别模型；

步骤4、利用所述步骤3中训练得到的所述用户判别模型对微博广告用户进行预测。

2.如权利要求1所述的微博广告用户检测方法，其中，所述步骤1具体步骤如下：

步骤1-1、通过新浪API收集一个用户的数据，获得所述一个用户的粉丝和关注者，并加入所述粉丝和关注者的账户到用户列表，从所述用户列表中选择下一个用户的账户，并将所述下一个用户的粉丝和关注者的账户加入到用户列表，得到所述一个用户的社交图；

步骤1-2、根据所述一个用户的社交图获取图中每一用户对应的用户数据，即通过新浪API访问所述用户微博主页，获取所述用户的用户数据，包括用户的个人资料和发表的微博内容；

步骤1-3、根据收集到所述用户数据，通过人工判别为所述每个用户添加一个标签，将所述用户分类标识为广告用户和普通用户。

3.如权利要求1所述的微博广告用户检测方法，其中，所述步骤2的具体步骤如下：

步骤2-1、从所述步骤1中得到的所述用户数据中确定可能具有区分度的属性，所述属性能反映所述用户的行为和所述用户发布的内容特点；

步骤2-2、对所述每个属性，绘制所述广告用户和普通用户的比较图，观察所述属性的区分度，所述区分度大小的判断依据是所述广告用户和普通用户在所述属性上的差异性；

步骤2-3、选取所述区分度最大的前20个所述属性作为所述特征属性集。

4.如权利要求3所述的微博广告用户检测方法，其中，所述步骤3-1中所述属性包括内容属性和行为属性，具有明确的数据字段或不定形式的数据，所述明确的字段数据只能取有限个值，所述不定形式的数据指用户的文字信息输入。

5.如权利要求1所述的微博广告用户检测方法，其中，所述步骤3的具体步骤如下：

步骤3-1、使用WEKA对所述特征属性集进行机器学习，进行分类实验；

步骤3-2、利用所述WEKA输出的训练结果，评估各个数据挖掘分类算法生成的所述用户判别模型的性能，所述模型的性能以所述各种数据挖掘分类算法的准确度和回归度为标准衡量；

步骤3-3、以随机森林算法作为最终的训练算法，训练出所述用户判别模型。

6.如权利要求5所述的微博广告用户检测方法，其中，所述步骤3-1中所述分类实验使用10倍交叉验证进行，在每次试验中，原始样本划分为10个子样本，其中9个作为训练数据，1个用于测试。

7.如权利要求5所述的微博广告用户检测方法，其中，所述步骤3-3中所述随机森林算法由多个决策树组成，每个决策树产生算法流程如下：

（a）设置训练类的数量N，分类器中变量的数量M；

（b）m个输入的变量将用于确定在该树的节点所做的决定；m<<M；

（c）通过从N个训练集中以要重复取样的方式选择n（n<N）次来为这棵树选择一个训练集。使用剩下的数据集用来估计这课树的误差；

（d）对于树的每个节点，随机选择m个以此节点作为判断的变量，计算其最佳的分割方式。