-
题名基于双层采样主动学习的社交网络虚假用户检测方法
被引量：13
- 1
-
-
作者
谭侃
高旻
李文涛
田仁丽
文俊浩
熊庆宇
-
机构
信息物理社会可信服务计算教育部重点实验室
重庆大学软件学院
悉尼科技大学工程与信息技术学院量子计算与智能系统研究中心
广州博冠信息科技有限公司
-
出处
《自动化学报》
EI
CSCD
北大核心
2017年第3期448-461,共14页
-
基金
国家重点基础研究发展计划(973计划)(2013CB328903)
重庆市基础与前沿研究计划(cstc2015jcyj A40049)
+2 种基金
国家自然科学基金(71102065)
国家科技支撑计划(2015BAF05B03)
中央高校基础研究基金(106112014CDJZR095502)资助~~
-
文摘
社交网络的飞速发展给用户带来了便捷,但是社交网络开放性的特点使得其容易受到虚假用户的影响.虚假用户借用社交网络传播虚假信息达到自身的目的,这种行为严重影响着社交网络的安全性和稳定性.目前社交网络虚假用户的检测方法主要通过用户的行为、文本和网络关系等特征对用户进行分类,由于人工标注用户数据需要的代价较大,导致分类器能够使用的标签样本不足.为解决此问题,本文提出一种基于双层采样主动学习的社交网络虚假用户检测方法,该方法使用样本不确定性、代表性和多样性3个指标评估未标记样本的价值,并使用排序和聚类相结合的双层采样算法对未标记样本进行筛选,选出最有价值的样本给专家标注,用于对分类模型的训练.在Twitter、Apontador和Youtube数据集上的实验说明本文所提方法在标签样本数量不足的情况下,只使用少量有标签样本就可以达到与有监督学习接近的检测效果;并且,对比其他主动学习方法,本文方法具有更高的准确率和召回率,需要的标签样本数量更少.
-
关键词
社交网络
虚假用户
主动学习
样本多样性
-
Keywords
Social network
spammer
active learning
diversity of samples
-
分类号
TP393.09
[自动化与计算机技术—计算机应用技术]
TP181
[自动化与计算机技术—控制理论与控制工程]
-
