一种基于 LCS 的微博相似页面检测方法

微博是基于关系的信息分享、传播以及获取的平台,是网络舆情发起的源头、信息传播的重要阵地。微博便捷 的转发操作,使得大量相同或相似的微博页面在微博空间内迅速传播。对微博相似页面进行检测,对于减轻用户浏览负 担和提高网络舆情分析的效率有着重要的意义。本文针对微博相似页面提出了一种基于 LCS 的微博相似页面检测方法： 首先计算可能相似的微博页面文档子集,其次计算其 LCS 并提取可信部分,最终检测出微博相似页面。实验表明,这一 方法能准确、高效地检测出微博数据中的相似页面。     

微博污染检测模型

信息传播的高速性加剧了谣言等网络污染在微博网络中的扩散。微博网络的用户量和信息量极为庞大。因此,对微博污染传播机制和污染检测手段的研究显得尤为重要。根据基于用户影响力建立的微博谣言传播模型,利用蚁群算法逆推污染传播路径,搜索受染用户,并分别以Twitter和新浪微博为实验平台,通过对比分析验证了模型的可行性。实验结果表明：模型通过对受染个体的搜索,缩小了污染的检测范围,提高了微博污染的治理效率和准确性。     

改进的LCS方法在测试脚本序列比对中的应用

在自动化测试中,需要对录制和回放过程中的请求序列进行解析和比对,帮助用户进行脚本的修正和完善。为了实现请求序列的比对,采用最长公共子序列(LCS)算法对录制和回放的序列进行比较,其核心思想是把序列对比转化成图论问题,通过二维矩阵寻路来找到最优的匹配方式。文中对算法的原理和实现做了详细描述,并对算法的性能进行测试和分析,最后将算法应用到软件脚本修改器中,验证算法在自动化测试实际应用中的效果。结果表明,LCS算法可以高效地对序列进行解析和比对,提高了自动化测试的效率。     

基于行为分析与传播个体的微博传播模型研究

随着社交网络的迅速发展,掌握信息传播的规律,进行信息传播的管理越来越重要,而提取信息传播特点和建立模型已经成为研究热点。传统信息传播模型并未考虑易感染者的类型以及时间网络等行为因素,对信息传播规律的研究不够准确。针对信息传播及用户行为的分析,改进模型增加双重易感染者、潜伏者等传播个体和优化传播过程的微博网络传播算法(MDSLIR)。该算法使得用户可以根据传播方式及时获取、传播和免疫信息,从而更好对社交网络信息进行管理。以新浪微博为例,研究微博信息的演化规律,使用微博上的真实数据进行仿真测试,并与传统算法进行比较,实验结果表明MDSLIR算法的有效性和可行性。     

微博谣言检测方法研究

微博中某一话题引起强烈关注,随着事态的发展,关于此话题的信息也开始偏轨,错误观点、失实报道经转发充斥了微博信息平台,话题在传播过程中演变出谣言。微博谣言在传播过程中具有传播速度越来越快、传播范围越来越广、传播过程越来越难以控制等特点。提出基于BP神经网络模型及改进其激发函数,同时引入冲量项,对微博话题在传播过程中演变为谣言进行检测。实验结果表明,该算法具有较好的检测效果。     

基于改进生成对抗网络的谣言检测方法

传统谣言检测算法存在提取文本语义、关键特征等效果不理想的问题,而一般序列模型在文本检测中无法解决特定语义下的特征提取,导致模型泛化能力差。为解决上述问题,该文提出一种改进的生成对抗网络模型(TGBiA)用于谣言检测,该模型采用对抗训练方式,符合谣言在传播过程中人为增删、夸大和歪曲信息的特点,通过对抗网络生成器和判别器的相互促进作用,强化谣言指示性特征的学习,不断提高模型的学习能力。训练过程中的生成器通过Transformer结构代替单一的RNN网络,实现语义的提取和特征的学习,同时,在训练过程中的判别器采用基于双向长短期记忆单元的深度网络分类模型,并引入注意力机制来提升对较长时间序列谣言的判断能力。在公开的微博和Twitter数据集上的实验结果表明,该文提出的方法比其他现有方法检测效果更好,鲁棒性更强。     

一种用于微博谣言检测的半监督学习算法

在微博谣言检测中,对微博谣言进行正确标注需要耗费大量的人力和时间,同时数据类别的不平衡也影响了微博谣言的正确识别。为了解决该问题,提出一种基于Co-Forest算法针对不平衡数据集的改进方法,利用SMOTE算法和分层抽样平衡数据分布,并通过代价敏感的加权投票法来提高对未标记样本预测的正确率。该方法只需要对少量训练数据实例进行谣言类别标注即可有效检测谣言。10组UCI测试数据和2组微博谣言的实证实验证明了算法有效性。     

基于用户兴趣的微博溯源算法

微博信息溯源通过分析在平台采集的话题数据集,挖掘相关话题的真正源头,即发布时间较早且影响力大的微博集合,实现网络舆论的管控与引导。提出一种基于用户兴趣的微博溯源算法,该算法根据博主的兴趣计算博主影响力,同时根据评论人、转发人的兴趣计算评论人、转发人的影响力,结合博主关注度和发表时间等因素,利用网页排序算法对微博评分,根据微博得分进行排序溯源。实验结果表明,该算法相较于传统溯源算法在查全率上提升了约21%。     

融合时间序列与卷积神经网络的网络谣言检测

针对卷积神经网络检测网络谣言没有考虑到谣言各生命周期之间的深层特征以及训练参数过于庞大问题,提出了一种融合时间序列和卷积神经网络的谣言检测算法(CNN-TS).首先将微博中的谣言事件向量化,其次将这些向量根据时间顺序分组为潜伏期、滋生期、蔓延期、消退期,然后通过卷积神经网络隐含层的学习训练来挖掘表示各阶段文本深层的特征...     

融合用户历史传播信息的微博谣言检测

随着互联网技术的发展,以微博为主的社交媒体平台上网络谣言逐渐泛滥,研究微博谣言的自动检测对维护社会稳定具有重要意义。现今主流的基于深度学习的谣言检测方法普遍存在没有充分考虑微博文本语义信息的问题,同时,过分依赖传播信息的谣言检测方法使得检测时间滞后,不能满足谣言检测的现实需求。针对以上问题,本文提出一种融合用户历史交互信息的微博谣言检测模型,不使用待检测微博的传播信息,构建并训练AbaNet(ALBERT-BiGRU-Attention)深度学习网络模型,充分考虑待检测微博和用户历史传播信息文本的文本特征和语义信息进行谣言检测。实验结果显示,本文模型具有准确率高、稳定性强的特点,并且能够在获得较高检测精度的情况下大大缩短谣言检测的时间。     

微博走进公安工作

微博这种新兴的网络交流方式越来越受到公众的关注,正在成为继博客之后网民们相互交流的新平台,这种集发布信息、互动交流于一体的网络工具也为公安机关所关注,各级公安机关纷纷对公安微博表现出了极大的热情,给新形势下的公安工作带来了新的契机。公安机关开设微博可以带来以下好处:首先,公安微博拉近了警民距离,提高了警察自身的公信力;其次,公安微博能使公安机关站在信息发布的制高点,及时消除谣言,还原真相;最后,公安微博能为侦查提供线索,为破案开辟新思路。总之,公安微博的开辟为公安工作带来了可喜的变化,小小的"微博110"正在为社会的稳定,人民的安居乐业贡献自己的力量。     

微博影响力评价研究

微博作为一种被广泛使用的网络平台,其多样的特性满足了人们信息获取、人际交流等多方面的新需求,微博已成为人们日常生活的重要组成部分之一。微博影响力作为微博研究的一个热点,对于优化微博的信息整合、传输,对于深入了解微博发展方向、维护网络内容安全、促进网络发展具有非常重要的理论和实践意义。文章对当前主要的微博影响力评价方法进行了梳理和分析,并提出了针对中国微博的影响力评价模型。     

新浪微博谣言检测研究

社会网络信息的可信度问题近年来受到了相当大的关注。谣言的散播可能造成社会恐慌,引发信任危机。在国内,新浪微博用户量的快速增长,使其成为了谣言传播的温床。及时清理在新浪微博中传播的谣言,对于社会的和谐发展有着现实的意义。该文以新浪微博为背景,将谣言检测任务作为分类问题,首次提出将微博评论的情感倾向作为谣言检测分类器的一项特征。实验结果表明,引入评论的评论情感倾向特征后,使得谣言检测的分类结果得到了可观的提升。     

融合多模态信息的社交网络谣言检测方法

随着社交网络平台的发展,社交网络已经成为人们获取信息的重要来源。然而社交网络的便利性也导致了虚假谣言的快速传播。与纯文本的谣言相比,带有多媒体信息的网络谣言更容易误导用户以及被传播,因此对多模态的网络谣言检测在现实生活中有着重要意义。研究者们已提出若干多模态的网络谣言检测方法,但这些方法都没有充分挖掘出视觉特征和融合文本与视觉的联合表征特征。为弥补这些不足,提出了一个基于深度学习的端到端的多模态融合网络。该网络首先抽取出图片中各个兴趣区域的视觉特征,然后使用多头注意力机制将文本和视觉特征进行更新与融合,最后将这些特征进行基于注意力机制的拼接以用于社交网络多模态谣言检测。在推特和微博公开数据集上进行对比实验,结果表明,所提方法在推特数据集上F1值有13.4%的提升,在微博数据集上F1值有1.6%的提升。     

基于非负多矩阵分解的微博网络信息推荐*

微博网站作为一种流行的社交媒体形式,在为用户提供丰富信息和服务的同时,也带来了信息超载问题。如何利用微博网络为用户推荐有价值的信息,以缓解信息超载问题,变得日益重要。根据微博网络的有向性以及建立关注关系的随意性等特点,提出了一种基于非负多矩阵分解的微博网络推荐方法,综合考虑了用户之间的关注关系、用户与微博内容的转发关系,以及微博内容与主题的所属关系等多源信息。基于新浪微博数据集进行了微博内容推荐实验,结果表明基于非负多矩阵分解的方法,能够有效利用微博网络中的多维信息,显著提高推荐准确度。本方法不仅能挖掘出微博内容的主题,还能挖掘出用户间的关联关系,还可推广到对用户进行好友和主题的推荐。     

开源搜索引擎在网络公共信息搜集上的研究应用简

随着互联网的发展,网络成为传播信息的主要平台,互联网资源已成为公安公开情报资料的主要来源之一,网络信息的膨胀给公安机关对信息的搜集、管理和分析带来了新的挑战,如何及时和有效的利用互联网信息成为公安机关面临的难题,本文利用已有的开源搜索引擎系统提出了一种适合在基层应用的公共信息搜集方法和模式,为有需要的公安机关提供一种新思路。     

基于实体关系的犯罪网络识别机制*

实体关系抽取是数据挖掘和信息检索的重要研究内容,抽取的目标是发现数据集中两个不同实体之间的语义关系;犯罪网络是个小型的社会,具有社会化网络的特征,因此本文采用社会化网络的方法来分析犯罪网络中人物之间的关系。本文首先定义实体、实体关系以及关系描述词等概念,并引入了关系模型,用关系树的方法抽取案情信息中的实体关系,在此基础上提出发掘犯罪网络核心人物的 算法,最后设计并实现了犯罪网络挖掘系统。通过实验验证和用户反馈,本系统能在很大程度上提高公安人员办案效率,具有很高的实用价值。     

基于AT模型的微博用户兴趣挖掘研究

随着微博的日趋流行与广泛使用,新浪等微博网站已经成为海量信息的来源,虽然传统的文本主题挖掘方法已经得到广泛的应用研究,但对于微博这种特殊结构的文本,传统的挖掘算法不能很好地对其进行研究。为了弥补目前微博平台主题挖掘方法的不足,以及考虑到微博信息的稀疏性,多维性等特点,提出有针对性的预处理方法,将用户微博数据与AT模型结合,通过吉布斯采样进行微博主题挖掘,对作者主题进一步提取得到用户兴趣。通过在真实数据集上的实验,以及与LDA模型对比,证明该模型能有效得到微博主题。     

基于聚类分析的网络舆情主题提取

网络舆情具有时效性强、传播迅速、涉及方面杂而广、意见指向性特征明显、泛娱化特征明显等特点。因此,提出对LDA输入数据采用TF-IDF算法加强特征词筛选的方法。选取"巴黎圣母院大火"事件,采集作为网络舆情重要来源的微博数据,进行LDA建模,引入TF-IDF算法进行特征词的筛选,能较准确地分析出该事件的主题分布。     

基于D-S证据理论的微博客蕴含交通信息提取方法

微博客消息中经常蕴含大量实时交通信息,有望与现有实时交通信息采集方式形成互补。该文针对微博客消息语义模糊性及用户描述差异性问题,提出了一种微博客消息蕴含交通信息的D-S证据理论提取方法。该方法首先构建微博客消息蕴含交通状态信息评价体系,利用百科知识提高评价精度,然后定义微博客消息源的基本概率分配函数,通过证据合成与证据决策,实现微博客消息蕴含实时交通信息的甄别与融合。实验结果表明,该方法能够对微博客消息蕴含实时交通信息的可信度进行有效判断,并能够在最大程度上利用不同微博客用户发布消息的信息内容,且较之传统的文本聚类融合方法具有更高的准确率。