在校学生网络异常行为检测与预警的技术研究

发布时间：2021-03-12 13:36

　　近年来我国网民人数随着互联网的迅速发展而急剧增加,其中学生网民人数最多,截至2019年6月,学生群体占网民总人数的26.0%。部分学生网民在网络上发布的自杀、抑郁、欺凌、焦虑等信息称为网络异常行为信息,他们在微博、论坛、贴吧等平台使用文字、音频、视频、图片等信息表达自己的情感,其中发布的自杀倾向信息对社会影响最大,是本文研究的重点。传统的学生群体识别和自杀倾向检测方法因精确率不高已经不能满足当下的需要,随着大数据和人工智能的到来,用更加智能的方法检测就显得尤为重要。针对在校学生群体的识别,本文提出使用深度学习的中TextCNN算法,分别对TextCNN、FastText、TextRNN模型进行实验,对比发现TextCNN模型对于在校学生群体识别的效果最好。对于网络异常行为的检测,本文提出基于情感分类的网络异常行为检测,在情感分类的基础上,对情感负面的用户进行网络异常行为分析,重点是对具有自杀倾向的网络异常行为进行检测。自杀倾向检测的方法是首先利用TF-IDF算法提取关键词,用向量空间模型表示文本信息。然后分别对RF、KNN、LR、NB、SVM和DT等机器学习算法进行实验。对比发现,RF... 

【文章来源】：武汉邮电科学研究院湖北省

【文章页数】：66 页

【学位级别】：硕士

【部分图文】：

网民职业结构分布图

逻辑回归函数图像

部分打标为学生标签的发言信息

【参考文献】：
期刊论文
[1]基于机器学习的社交媒体文本情感分析研究[J]. 严军超,赵志豪,赵瑞.  信息与电脑(理论版). 2019(20)
[2]基于朴素贝叶斯的文本情感分类及实现[J]. 梁柯,李健,陈颖雪,刘志钢.  智能计算机与应用. 2019(05)
[3]基于关键词和关键句抽取的用户评论情感分析[J]. 喻影,陈珂,寿黎但,陈刚,吴晓凡.  计算机科学. 2019(10)
[4]基于机器学习的社交媒体用户分类研究[J]. 李纲,周华阳,毛进,陈思菁.  数据分析与知识发现. 2019(08)
[5]自杀倾向的话语表述——大学生“走饭”微博分析[J]. 高一虹,孟玲.  外语与外语教学. 2019(01)
[6]《中国农村教育发展报告2019》显示——乡村教师队伍建设成效明显[J].   中国农村教育. 2019(04)
[7]基于弹幕情感分析和聚类算法的视频用户群体分类[J]. 洪庆,王思尧,赵钦佩,李江峰,饶卫雄.  计算机工程与科学. 2018(06)
[8]基于fastText的中文文本分类[J]. 代令令,蒋侃.  计算机与现代化. 2018(05)
[9]基于机器学习的大学生自杀风险预测与分析[J]. 丁楠.  现代电子技术. 2017(21)
[10]混合分类/回归模型的用户年龄识别方法[J]. 陈敬,李寿山,王晶晶,周国栋.  中国科学:信息科学. 2017(08)

博士论文
[1]情感词典构建方法及其应用研究[D]. 邓东.北京交通大学 2019

硕士论文
[1]多特征情感词典在文本情感分析问题中的研究[D]. 王硕.吉林大学 2019
[2]基于文本挖掘的社交网络抑郁用户检测[D]. 邱家洪.江西财经大学 2018
[3]社交网络对大学生自杀行为的影响及对策研究[D]. 于婉琳.北京邮电大学 2017
[4]微博文本情感分类研究[D]. 陈思.吉林大学 2016
[5]面向不平衡数据分类问题的核逻辑回归算法的设计与实现[D]. 王鹏.西安电子科技大学 2015



本文编号：3078394