基于深层特征和集成分类器的微博谣言检测研究

发布时间：2017-10-06 13:48

  本文关键词：基于深层特征和集成分类器的微博谣言检测研究

  更多相关文章： 微博 谣言检测 深层特征 集成分类器

【摘要】：微博中存在着大量的虚假信息甚至谣言,微博谣言的广泛传播影响社会稳定,损害个人和国家利益。为有效检测微博谣言,提出了一种基于深层特征和集成分类器的微博谣言检测方法。首先对微博情感倾向性、微博传播过程和微博用户历史信息进行特征提取得到深层分类特征,然后利用分类特征训练集成分类器;最后利用集成分类器对微博谣言进行检测。实验结果表明,提出的基于深层特征和集成分类器的方法能够有效提高微博谣言检测的性能。
【作者单位】： 解放军信息工程大学信息系统工程学院;
【关键词】： 微博 谣言检测 深层特征 集成分类器
【基金】：国家社会科学基金资助项目(14BXW028)
【分类号】：G206;TP393.092
【正文快照】： 0引言根据中国互联网信息中心(China Internet Network Informa-tion Center,CNNIC)2015年1月发布的全国互联网发展统计报告[1],我国网民规模达6.49亿,其中微博用户2.49亿,占整体网民的38.3%。以新浪微博为代表的新兴社交媒体具有开放性、低门槛、交互性等特点,为网民提供了一

【相似文献】

中国期刊全文数据库 前10条

1 夏春;范明;;集成异种分类器用于入侵检测[J];微计算机信息;2008年33期

2 张新东;亢俊健;陈嶷瑛;李文斌;;选择分类器进行入侵检测[J];微计算机信息;2010年06期

3 陈晓平;沈记全;;分类器集成在入侵检测中的应用研究[J];河南理工大学学报(自然科学版);2012年03期

4 林煜明;朱涛;王晓玲;周傲英;;面向用户观点分析的多分类器集成和优化技术[J];计算机学报;2013年08期

5 董仕;丁伟;;基于流记录偏好度的多分类器融合流量识别模型[J];通信学报;2013年10期

6 李平红;陶晓玲;王勇;;一种多分类器选择性集成的网络流量分类方法[J];计算机应用与软件;2014年07期

7 万雅静;贺明;;最大间隔分类器及其在入侵检测中的应用[J];微计算机信息;2007年18期

8 朱有产;王健;商李彪;;网络入侵检测系统的新型综合分类器[J];华北电力大学学报;2005年06期

9 孔蓓蓓;唐学文;汪为汉;;一种多分类器联合的集成网络流量分类方法[J];计算机工程与应用;2013年17期

10 杨清,杨岳湘,瞿国平;基于Yahoo的信息自动分类器的原理与设计[J];计算机工程与科学;1999年04期

中国重要会议论文全文数据库 前5条

1 付焕焕;李俊;张洁;;入侵检测中机器学习算法的集成[A];中国电子学会第十七届信息论学术年会论文集[C];2010年

2 潘志松;胡谷雨;端义锋;;One-Class分类器及其在异常检测中的应用[A];2004年全国通信软件学术会议论文集[C];2004年

3 王英;左万利;王鑫;彭涛;;基于多分类器的Deep Web入口发现[A];第六届全国信息检索学术会议论文集[C];2010年

4 蒋琦;庄毅;谢东;;基于SVM分类器的SYN Flood攻击检测规则生成方法的研究[A];2005年全国开放式分布与并行计算学术会议论文集[C];2005年

5 胡茂福;侯整风;;一种高效流分类加速器的设计与实现[A];第四届中国智能计算大会论文集[C];2010年

中国博士学位论文全文数据库 前1条

1 张非;对抗逃避攻击的防守策略研究[D];华南理工大学;2015年

中国硕士学位论文全文数据库 前10条

1 阳水桥;未知协议感知的网络流量分类方法[D];浙江大学;2016年

2 张炜;基于多分类器的网络流量分类研究[D];扬州大学;2015年

3 陈晓平;基于分类器选择集成的入侵检测方法研究[D];河南理工大学;2012年

4 朱林杰;基于多分类器集成的入侵检测研究[D];兰州理工大学;2011年

5 曹玉霞;基于多分类器的入侵检测研究[D];北京邮电大学;2014年

6 刘星;基于融合分类器的垃圾评论识别方法研究[D];天津大学;2012年

7 米爱中;基于多分类器组合的网络入侵检测方法研究[D];广西大学;2005年

8 谢佳;基于多分类器的层次式Blog主题标注技术[D];哈尔滨工业大学;2008年

9 花小朋;基于多SVM决策组合的入侵检测[D];南京理工大学;2006年

10 李志涛;使用多分类器进行Deep Web数据源的分类和判定[D];苏州大学;2009年

，

本文编号：983134