[发明专利]基于免疫危险理论的社交网络水军检测方法

说明书

本发明公开了一种基于免疫危险理论的社交网络水军检测方法，包括以下步骤：1)采集社交用户信息；2)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、关系紧密度信号、二阶关联性信号和引导工具使用率信号；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。本发明通过选取四种识别信号提出一种高效的水军检测方法，在保证识别准确率的同时，大幅减少了识别所用时间开销。

技术领域

本发明涉及网络社交技术，尤其涉及一种基于免疫危险理论的社交网络水军检测方法。

背景技术

近年来，针对社交网络水军的的识别研究也已成为了学者们关注的一个重点。通常研究者们从两个方向对对水军特征进行研究，一是针对水军账户的属性和行为特征，二是对水军信息的传播特征进行研究。通过深入分析各类用以判别水军的特征，并利用特征所适合的分类器对水军及水军信息进行甄别。

张艳梅，“基于贝叶斯模型的微博网络水军识别算法研究”中设置了粉丝关注比等6个属性来作为水军分类器的特征，并且融合了贝叶斯模型和遗传优化算法在不牺牲非水军识别率的情况下提高了水军识别的准确率。程晓涛,“基于关系图特征的微博水军发现方法”在结合传统用户属性和行为特征的前提下，提出了一类新的关系图特征，并证明在新特征的参与下，判断水军的有效性有明显提高。韩忠明,“面向微博的概率图水军识别模型”将用户为水军的概率，作为用户属性特征和行为特征的隐变量，构件出一个计算用户为水军概率的概率图模型。袁旭萍,“基于综合指数和熵值法的微博水军自动识别”分析了微博水军的一系列明显特征，利用熵值法来确定各个特征指标的权重，建立了结合多指标综合指数法的微博水军自动识别模型。

但当前社交网络的海量数据造成的不确定性问题，对于水军检测的准确性和及时性提出了挑战。水军账号的多样性，隐蔽手段的不断更新，也计算机水军识别的传统办法带来了困难。为了解决上述问题，基于人工免疫的计算机入侵检测手段被提出。使用演化计算来训练模型，在网络传播中有效的区分不同程度的异常。并且使用了最邻近算法来对数据集进行分类验证。

发明内容

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种基于免疫危险理论的社交网络水军检测方法。

本发明解决其技术问题所采用的技术方案是：一种基于免疫危险理论的社交网络水军检测方法，包括以下步骤：

1)社交用户信息采集，包括：用户名、用户的注册时间的用户信息、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的邻接矩阵为一般而言，正常用户将表现为一个相对稠密的矩阵，而水军用户则为稀疏矩阵。于是，当前用户节点n的二阶关联性R^(n)″的实质就变成了G的邻接矩阵的稠密性，定义：