[发明专利]一种基于行为特征与内容特征融合的水军识别方法及系统

说明书

技术领域

本发明涉及网络安全领域，尤其涉及一种基于行为特征与内容特征融合的水军识别方法及系统。

背景技术

网络空间（Cyber Space）已成为继陆、海、空、天四维空间之外的人类活动第五维空间，网络空间的安全会直接影响国家安全和社会发展。近年来，网络安全形势日益严峻,其中很大一部分威胁来源于随时随地影响网络社会秩序的“网络水军”（Hidden Paid Posters/Internet Water Army）。-“网络水军”泛指为牟利而在网络上发布倾向性评论的专职或兼职团体，他们通过绑架舆论和干扰民意以达到某种商业或其他目的，从蒙牛陷害门，陆川电影《王的盛宴》影评事件，到秦火火造谣事件，都折射出“网络水军”的恶劣影响。政府从法律制定和执法力度层面都加大了对网络水军的打击力度，IT业界和学术界也对网络水军的识别技术进行了深入的研究。

现有的水军识别多采用机器学习的方法，分析已知分类用户的Profile信息、历史行为、发帖内容等，从中训练出水军用户的识别模型，进而对未知用户信息进行分类，判定哪些用户最可能是“网络水军”。当前常用于分类问题的机器学习算法包括贝叶斯网络、支持向量机（SVM）、KNN、神经网络等。本专利属于基于神经网络DBN（Deep Belief Network，深度信任网络）的水军识别方法。

然而在DBN训练过程中，主要面临两个方面的问题：第一，水军特征主要分为行为特征和内容特征，而且每类特征的选择并没有统一的准则。一般认为，综合考虑行为特征和内容特征的训练模型，应该对水军的刻画有着更好的效果。但如何进行融合，具体选择那些行为特征和选择那些内容特征加入到训练模型，目前缺乏有效的选择准则和融合方法。第二，DBN模型训练前需要确定输入特征的维度，且训练过程中不能改变具体选取的特征。然而，随着水军的变化，特征也是变化的，因此人工指定特征维度进行学习，是无法有效刻画特征变化和实现识别方法的动态适配。因此，如何摒弃人工特征的选择，用不断反馈调节的方式在特征选择上进行调节和优化，决定使用哪些维度，而放弃哪些维度，需要研究有效地非人工选择的自动特征融合选取。

发明内容

本发明所要解决的技术问题是针对现有技术的不足，提供一种基于行为特征和内容特征融合的水军识别方法及系统。

本发明解决上述技术问题的技术方案如下：一种基于行为特征与内容特征融合的水军识别方法，包括如下步骤：

步骤1：原始数据采集模块采集包括用户行为特征和内容特征的原始数据，并对每个维度的原始数据进行量化表示；

步骤2：特征融合模块利用马尔可夫链蒙特卡罗随机模型进行用户行为特征维度和内容特征维度的融合，组成用户特征向量；

步骤3：DBN模型训练模块利用用户特征向量进行DBN模型训练，得到DBN模型；

步骤4：协同反馈模块对DBN模型进行检测，判断检测结果是否达到预定标准，如果是则执行步骤6；否则根据检测结果生成相应的调节命令，分别发送给特征融合模块和DBN模型训练模块；

步骤5：特征融合模块和DBN模型训练模块根据调节命令调节自身相关参数，进一步进行特征融合的DBN模型训练，返回步骤4；

步骤6：结束执行过程。

本发明的有益效果是：本发明利用了马尔可夫链蒙特卡罗随机模型作为用户特征维度的随机选择模型，并引入反馈调节机制，在DBN训练过程中根据识别准确率不断优化行为特征与内容特征的比例分配，具体行为特征和内容特征的选取，以及对DBN模型训练过程中迭代次数的调整，达到较优的训练效果，最终提高识别准确率和识别方法的自适应性。

在上述技术方案的基础上，本发明还可以做如下改进。

进一步，步骤2中的具体实现为：

步骤2.1：设定用户特征总维度为K；

步骤2.2：根据用户特征总维度数K，利用直接抽样法确定用户特征总维度中行为特征维度与内容特征维度的融合比例；

步骤2.3：根据行为特征维度与内容特征维度的融合比例，利用MCMC的Gibbs采样模拟联合正态分布的采样过程，分别确定具体选取的行为特征和内容特征，组成用户特征向量。

进一步，步骤3的具体实现为：

步骤3.1：DBN模型训练模块根据用户特征向量利用逐层无监督贪婪学习法进行DBN模型的预训练；

步骤3.2：按照BP神经网络的训练方式进行DBN模型的误差反向传播训练，经过预定迭代次数L的模型训练后，得到DBN模型。

进一步，步骤4的具体实现为：