[发明专利]基于免疫危险理论的社交网络水军检测方法

权利要求书

1.一种基于免疫危险理论的社交网络水军检测方法，其特征在于，包括以下步骤：

1)采集社交用户信息，所述社交用户信息包括：包括用户名、用户的注册时间在内的用户信息、用户参与舆论事件的情况、用户的关注与被关注情况、用户的微博总数；

所述用户参与舆论事件的情况包括：参与过的话题数、参与过所有话题的总次数、是否参与过第i个话题、参与第i个话题的次数；

2)识别信号获取，根据采集的社交用户信息提取社交网络水军的识别信号，包括：事件参与度信号TP_topic、关系紧密度信号R_tightness、二阶关联性信号R″和引导工具使用率信号T_guide；

2.1)事件参与度信号TP_tppic的公式如下：

其中，t(i,j)表示用户j参与话题i的次数，Topic^(j)表示用户参与过的话题的总次数，p(i,j)表示用户j参与事件i的0/1矩阵，参与过为1，未参与为0；

2.2)二阶关联性

用无向图G＝(V,E)表示当前用户节点n所有的二阶关注关系，假设n的度为k，则G的邻接矩阵为当前用户节点n的二阶关联性R⁽ⁿ⁾″的实质用G的邻接矩阵的稠密性来表示，具体如下：

a_(i,),a_(,j)＝{n_follower∩n_follow}＝{x⁽¹⁾,x⁽²⁾,…,x^(k)}

其中，n_follower为节点n的被关注关系，n_follow为节点n的关注关系；

2.3)关系紧密度信号R_tightness的公式如下：

其中，FOLLOW_SUM为当前用户所有的关注数，MUTUAL_FOLLOWER为与当前用户互粉的用户数量；用表示全部n个用户的关注-粉丝矩阵，其中，为用户j的关注向量，表示用户j的粉丝向量；

2.4)引导工具使用率信号T_guide

其中，HAS_TOPIC_SUM表示用户使用“#”的总微博数，HAS_URL_SUM表示使用url的总微博数，而WEIBO_SUM表示用户的微博总数；

3)对各个信号进行融合，得到基于免疫危险理论的社交网络水军检测概率模型，用抗原成熟度MCAV表示，

其中，CS＝w^T·x+b

向量x用于表示社交网络水军的4个识别信号，w^T为社交网络水军的识别信号对应的权重矩阵，b为偏差。

2.根据权利要求1所述的基于免疫危险理论的社交网络水军检测方法，其特征在于，所述步骤3)中社交网络水军的识别信号对应的权重矩阵w^T，采用以下方式获得：

3.1)我们将每一个样本的MCAV与向量x最后一位相减求L2范数，并对所有样本求和，即得到了这一代权重矩阵的适应度：

3.2)将搜索分布下的期望适应度记为其中，θ表示密度π(z|θ)的参数，f(z)表示样本z的适应度函数；

3.3)通过对数似然法，推算出接着，设样本数为λ，从z₁到z_λ的样本中得到搜索梯度的估计：

设η为学习速率，则参数搜索分布的更新即：

3.4)按上述步骤，将搜索梯度算法作为黑盒来优化权重，并获得最终的社交网络水军的识别信号对应的权重矩阵。