基于深度学习的跨媒体社交网络安全话题挖掘与探索研究

发布时间：2022-10-19 08:41

　　在海量数据支持下的社交网络通过其区别于传统新闻媒体的信息传播方式影响着现实生活中的每一个社会个体,尤其是夹杂在各种信息中与社会安全和国家安全话题相关内容,直接影响着现实社会的舆论导向。围绕基于深度学习的跨媒体社交网络安全话题挖掘与搜索的相关问题,对跨媒体社交网络内容获取与处理,基于强化学习的社交网络话题内容匹配,基于生成对抗学习的跨媒体社交网络搜索和社交网络中安全话题内容跨媒体搜索机制等方面进行了研究。研究内容均以跨媒体社交网络安全话题挖掘为基础,最终实现跨媒体社交网络安全话题搜索。本文取得的主要研究成果和创新点如下:（1）针对复杂社交网络数据特性对社交网络信息搜索效率存在影响的问题,提出了跨媒体社交网络内容关联分析算法（SSCM）。该算法分别对文本媒体信息与图像媒体信息等社交网络内容信息进行深度语义学习与特征语义关联处理,从内容信息角度实现了对社交网络内容进行跨媒体处理并提取了面向安全话题内容的语义搜索特征。通过基于自注意力机制的跨媒体社交网络内容特征挖掘,对社交网络的文本信息内容与图像信息内容之间的语义关联进行了学习。提出了一种社交网络深度学习搜索特征抽取与匹配算法（DCNN-CS... 

【文章页数】：145 页

【学位级别】：博士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 课题来源
    1.2 研究背景与意义
    1.3 国内外研究现状
        1.3.1 跨媒体社交网络内容获取与处理
        1.3.2 基于强化学习的社交网络话题内容匹配
        1.3.3 基于生成对抗学习的跨媒体社交网络搜索
        1.3.4 跨媒体社交网络安全话题内容搜索
    1.4 主要研究内容和创新点
    1.5 论文组织
第二章 跨媒体社交网络内容获取与处理
    2.1 引言
    2.2 跨媒体社交网络内容数据获取与预处理
    2.3 跨媒体社交网络内容关联分析算法的提出
        2.3.1 跨媒体社交网络内容关联分析算法研究动机
        2.3.2 跨媒体社交网络内容关联分析算法的形式化定义
    2.4 社交网络深度学习搜索特征抽取与匹配算法的提出
        2.4.1 社交网络深度学习搜索特征抽取与匹配算法研究动机
        2.4.2 社交网络深度学习搜索特征抽取与匹配算法的形式化定义
    2.5 实验结果与分析
        2.5.1 跨媒体社交网络内容关联分析算法实验与分析
        2.5.2 社交网络深度学习搜索特征抽取与匹配算法实验与分析
    2.6 本章小结
第三章 基于强化学习的社交网络话题内容匹配
    3.1 引言
    3.2 基于强化学习的社交网络话题内容匹配算法的提出
        3.2.1 基于强化学习的社交网络话题内容匹配算法研究动机
        3.2.2 基于强化学习的社交网络话题内容匹配算法形式化定义
        3.2.3 基于强化学习的社交网络话题内容匹配算法设计
        3.2.4 动态社交网络内容相关性评价
    3.3 实验结果与分析
        3.3.1 实验设置
        3.3.2 基于强化学习的社交网络话题内容匹配算法有效性分析
        3.3.3 搜索效果实验结果与分析
        3.3.4 折交叉验证实验与分析
    3.4 本章小结
第四章 基于生成对抗学习的跨媒体社交网络搜索
    4.1 引言
    4.2 基于生成对抗学习的跨媒体社交网络搜索算法
        4.2.1 基于生成对抗学习的跨媒体社交网络搜索算法研究动机
        4.2.2 基于生成对抗学习的跨媒体社交网络搜索算法的提出
        4.2.3 媒体内和媒体间判别限定
        4.2.4 跨媒体判别限定
        4.2.5 基于生成对抗学习的跨媒体社交网络搜索算法的描述
    4.3 实验结果与分析
        4.3.1 实验设置
        4.3.2 参数学习实验结果与分析
        4.3.3 搜索结果的MAP评价与分析
        4.3.4 搜索结果的准确率结果与分析
    4.4 本章小结
第五章 基于深度学习的跨媒体社交网络安全话题内容搜索系统
    5.1 引言
    5.2 系统架构设计
    5.3 系统详细设计与实现
        5.3.1 跨媒体社交网络安全话题内容获取与处理模块
        5.3.2 社交网络强化学习内容搜索模块
        5.3.3 跨媒体社交网络内容搜索与匹配模块
        5.3.4 社交网络安全话题搜索模块
    5.4 本章小结
第六章 总结与展望
    6.1 论文工作总结
    6.2 工作展望
参考文献
致谢
攻读博士学位期间的科研成果


【参考文献】：
期刊论文
[1]微博网络地域Top-k突发事件检测[J]. 仲兆满,管燕,李存华,刘宗田.  计算机学报. 2018(07)
[2]基于分层编码的深度增强学习对话生成[J]. 赵宇晴,向阳.  计算机应用. 2017(10)
[3]基于状态聚类的非参数化近似广义策略迭代增强学习算法[J]. 季挺,张华.  控制与决策. 2017(12)
[4]基于多源信息融合的社交网络挖掘[J]. 莫靖杰,屠晨阳,彭佳,袁珺.  信息网络安全. 2017(09)
[5]使用增强学习训练多焦点聚焦模型[J]. 刘畅,刘勤让.  自动化学报. 2017(09)
[6]增强学习算法寻找最优策略分析[J]. 孙灿宇.  电子技术与软件工程. 2017(04)
[7]用于微博情感分析的一种情感语义增强的深度学习模型[J]. 何炎祥,孙松涛,牛菲菲,李飞.  计算机学报. 2017(04)
[8]基于自适应探索改进的深度增强学习算法[J]. 毛坚桓,殷璐嘉.  微电子学与计算机. 2016(06)
[9]网络空间智慧搜索研究进展及关键科学问题[J]. 方滨兴,刘克,吴曼青,贾焰,陈熙霖,孟庆峰,赵瑞珍,张兆田,秦玉文.  中国科学基金. 2015(04)
[10]面向大社交数据的深度分析与挖掘[J]. 唐杰,陈文光.  科学通报. 2015(Z1)



本文编号：3693052