CN110727861A - 用于微博水军识别的方法与设备 - Google Patents
用于微博水军识别的方法与设备 Download PDFInfo
- Publication number
- CN110727861A CN110727861A CN201910900124.8A CN201910900124A CN110727861A CN 110727861 A CN110727861 A CN 110727861A CN 201910900124 A CN201910900124 A CN 201910900124A CN 110727861 A CN110727861 A CN 110727861A
- Authority
- CN
- China
- Prior art keywords
- microblog
- attribute information
- identified
- dimension attribute
- user
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000000694 effects Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 3
- 239000010931 gold Substances 0.000 description 3
- 229910052737 gold Inorganic materials 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000238557 Decapoda Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/953—Querying, e.g. by the use of web search engines
- G06F16/9535—Search customisation based on user profiles and personalisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请的目的是提供一种用于微博水军识别的方法与设备。与现有技术相比,本申请通过获取待识别的微博用户的N个维度属性信息,其中,所述维度属性信息包括微博用户在微博的相关活动信息,其中,N为大于1的预设值;将所述N个维度属性信息输入已训练的改造过的DNN网络;获取所述改造过的DNN网络基于所述N个维度属性信息确定的、对应微博用户是否为微博水军的输出结果。通过这种方式,能够准确高效地识别出微博水军。
Description
技术领域
本申请涉及计算机技术领域,尤其涉及一种用于微博水军识别的技术。
背景技术
目前微博疑似水军的计算分为基于规则和传统机器学习的模式。基于规则的识别方式简单但是水军伪装方式一直在变,因此基于规则疲于应付。基于传统机器学习的方式避免了基于规则的一些缺点,但是准确性不是很高。
发明内容
本申请的目的是提供一种用于微博水军识别的方法与设备。
根据本申请的一个方面,提供了一种用于微博水军识别的方法,其中,该方法包括:
获取待识别的微博用户的N个维度属性信息,其中,所述维度属性信息包括微博用户在微博的相关活动信息,其中,N为大于1的预设值;
将所述N个维度属性信息输入已训练的改造过的DNN网络;
获取所述改造过的DNN网络基于所述N个维度属性信息确定的、对应微博用户是否为微博水军的输出结果。
进一步地,其中,在所述获取待识别的微博用户的N个维度属性信息之前,所述方法还包括:
获取待识别的微博用户的筛选信息;
基于对所述筛选信息的预设规则,对所述待识别的微博用户进行筛选;
其中,所述获取待识别的微博用户的N个维度属性信息包括:
获取筛选后的待识别的微博用户的N个维度属性信息。
进一步地,其中,所述筛选信息包括以下至少任一项:微博用户的身份认证类型;微博用户的粉丝数。
进一步地,其中,所述方法还包括训练改造过的DNN网络,其中,所述训练改造过的DNN网络包括:
获取已标注微博水军的微博用户的N个维度属性信息;
将所述已标注微博水军的微博用户的N个维度属性信息输入改造过的DNN网络进行训练,直至计算出的损失值满足预设的损失阈值。
进一步地,其中,所述改造过的DNN网络包括:输入层、隐藏层、输出层以及softmax层,其中,输入层由N个神经元组成,对应N个维度属性信息,作为输入向量;隐藏层有两层,每层的神经元个数设定为2N+1个;输出层由2个神经元组成;softmax层用来确定是否为微博水军的最终计算。
进一步地,其中,所述N个维度属性信息包括:单位周时间微博原创数量、单位周时间转发量、粉丝数、单条微博的平均被转发评论、关注他人数、收藏数量、点赞数。
根据本申请的另一方面,还提供了一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如前述方法的操作。
根据本申请的再一方面,还提供了一种用于微博水军识别的设备,其中,该设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器:获取待识别的微博用户的N个维度属性信息,其中,所述维度属性信息包括微博用户在微博的相关活动信息,其中,N为大于1的预设值;将所述N个维度属性信息输入已训练的改造过的DNN网络;获取所述改造过的DNN网络基于所述N个维度属性信息确定的、对应微博用户是否为微博水军的输出结果。
与现有技术相比,本申请通过获取待识别的微博用户的N个维度属性信息,其中,所述维度属性信息包括微博用户在微博的相关活动信息,其中,N为大于1的预设值;将所述N个维度属性信息输入已训练的改造过的DNN网络;获取所述改造过的DNN网络基于所述N个维度属性信息确定的、对应微博用户是否为微博水军的输出结果。通过这种方式,能够准确高效地识别出微博水军。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1示出根据本申请一个方面的一种用于微博水军识别的方法流程图;
图2示出根据本申请一个优选实施例的一种改造过的DNN模型架构图;
图3示出根据本申请一个优选实施例的一种对改造过的DNN模型的评估图。
附图中相同或相似的附图标记代表相同或相似的部件。
具体实施方式
下面结合附图对本发明作进一步详细描述。
在本申请一个典型的配置中,终端、服务网络的设备和可信方均包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括非暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
为更进一步阐述本申请所采取的技术手段及取得的效果,下面结合附图及优选实施例,对本申请的技术方案,进行清楚和完整的描述。
图1示出本申请一个方面提供的一种用于微博水军识别的方法,其中,该方法包括:
S11获取待识别的微博用户的N个维度属性信息,其中,所述维度属性信息包括微博用户在微博的相关活动信息,其中,N为大于1的预设值;
S12将所述N个维度属性信息输入已训练的改造过的DNN网络;
S13获取所述改造过的DNN网络基于所述N个维度属性信息确定的、对应微博用户是否为微博水军的输出结果。
在本申请中,所述方法通过设备1执行,所述设备1为计算机设备和/或云,所述计算机设备包括但不限于个人计算机、笔记本电脑、工业计算机、网络主机、单个网络服务器、多个网络服务器集;所述云由基于云计算(Cloud Computing)的大量计算机或网络服务器构成,其中,云计算是分布式计算的一种,由一群松散耦合的计算机集组成的一个虚拟超级计算机。
在此,所述计算机设备和/或云仅为举例,其他现有的或者今后可能出现的设备和/或资源共享平台如适用于本申请也应包含在本申请的保护范围内,在此,以引用的方式包含于此。
在该实施例中,在所述步骤S11中,设备1获取待识别的微博用户的N个维度属性信息,其中,所述维度属性信息包括微博用户在微博的相关活动信息,其中,N为大于1的预设值.
在此,所述维度属性信息表征微博用户的相关活动信息,包括但不限于微博用户的关注他人或者被他人关注信息、相关操作信息(微博的发布、转发、评论、收藏等)等。优选地,所述N个维度属性信息包括:单位周时间微博原创数量、单位周时间转发量、粉丝数、单条微博的平均被转发评论、关注他人数、收藏数量、点赞数,其中,N等于7。其中,单条微博的平均被转发评论=∑微博i乘(评论数+点赞数+转发数)/(原创微博数+转发微博数)。
具体地,设备1可以根据微博用户的账户标识信息在数据库中进行查找,从而获取账户标识信息所对应的关于该微博用户的相关活动信息的记录,并从记录中查找出预设的N个维度的属性信息,例如,可以获取单位周时间微博原创数量、单位周时间转发量、粉丝数、单条微博的平均被转发评论、关注他人数、收藏数量、点赞数等7个维度的属性信息。在此,所述N为大于1的预设值,关于N的具体取值在本申请中不做限定。
继续在该实施例中,在所述步骤S12中,设备1将所述N个维度属性信息输入已训练的改造过的DNN网络。
优选地,其中,所述改造过的DNN网络包括:输入层、隐藏层、输出层以及softmax层,其中,输入层由N个神经元组成,对应N个维度属性信息,作为输入向量;隐藏层有两层,每层的神经元个数设定为2N+1个;输出层由2个神经元组成;softmax层用来确定是否为微博水军的最终计算,其中,softmax函数为:
如图2所示,为根据本申请一个优选实施例的一种改造过的DNN模型架构图,其中,layer_1、layer_2、layer_3分别对应输入层、隐藏层及输出层,init代表网络初始化。通过dropout可以防止过拟合,利用sigmoid激活函数可以实现二分类,其中,loss为损失值,acc为精确度,optimizer为优化器,其中,可以运用优化器Adam进行梯度下降使得loss最小化。
优选地,其中,所述方法还包括:S14(未示出)训练改造过的DNN网络,其中,所述步骤S14包括:
S141(未示出)获取已标注微博水军的微博用户的N个维度属性信息;
S142(未示出)将所述已标注微博水军的微博用户的N个维度属性信息输入改造过的DNN网络进行训练,直至计算出的损失值满足预设的损失阈值。
在该实施例中,在所述步骤S141中,获取已标注微博水军的微博用户的N个维度属性信息。具体地,在对改造过的DNN网络进行训练时,首先获取训练样本,也即获取大量的已标注出是否是微博水军的微博用户的N个维度属性信息,在该实施例中,以维度属性信息包括单位周时间微博原创数量、单位周时间转发量、粉丝数、单条微博的平均被转发评论、关注他人数、收藏数量、点赞数等为例,如表1示出训练样本的部分数据:
表1
NO. | X<sub>1</sub> | X<sub>2</sub> | X<sub>3</sub> | X<sub>4</sub> | X<sub>5</sub> | X<sub>6</sub> | X<sub>7</sub> | Label |
1 | 2.5 | 23 | 1515 | 10.5 | 536 | 2 | 2 | 非水军 |
2 | 1.8 | 5.8 | 1046 | 5.6 | 263 | 0 | 0 | 非水军 |
3 | 12.1 | 53.6 | 20364 | 3.8 | 1203 | 1 | 100 | 非水军 |
4 | 0 | 23.6 | 125 | 2.1 | 20 | 0 | 23 | 水军 |
5 | 0 | 2.3 | 1526 | 1.6 | 360 | 0 | 536 | 非水军 |
6 | 2 | 56.3 | 139 | 0.6 | 5 | 0 | 1 | 水军 |
7 | 1 | 32.6 | 597 | 0.3 | 6 | 1 | 0 | 水军 |
其中,用X1表示单位周时间微博原创数量,X1=发博总量/总周数;X2表示单位周时间转发量,X2=转发总量/总周数;X3=粉丝数;X4表示单条微博的平均被转发评论,X4=∑微博i乘(评论数+点赞数+转发数)/(原创微博数+转发微博数);X5=关注他人数;X6=收藏数量;X7=点赞数,其中,表中最右边一列已标注出对应的微博用户是否为水军。
继续在该实施例中,在所述步骤S142中,将所述已标注微博水军的微博用户的N个维度属性信息输入改造过的DNN网络进行训练,直至计算出的损失值满足预设的损失阈值。其中,计算损失值的公式如下:
具体地,训练样本尽量多,在本申请的一实施例中,选取训练样本的数量为8万、测试样本的数量为1万、验证样本的数量为1万。通过对如图2所示的模型进行训练后,模型评估如图3所示,在迭代次数达到500时,模型已经能够很好的收敛,其中,loss代表损失值,acc代表精确度,precision代表查准率,recall代表查全率,f1=2((precision乘recall)/(precision+recall))。
优选地,其中,所述方法还包括:S15(未示出)获取待识别的微博用户的筛选信息;S16(未示出)基于对所述筛选信息的预设规则,对所述待识别的微博用户进行筛选;其中,所述步骤S11包括:获取筛选后的待识别的微博用户的N个维度属性信息。
在该实施例中,对于待识别的微博用户在通过改造过的DNN模型进行识别之前,可先进行过滤筛选,以提高工作效率。在所述步骤S15中,获取用于进行过滤的筛选信息,优选地,所述筛选信息包括但不限于以下至少任一项:微博用户的身份认证类型、微博用户的粉丝数。具体地,对于微博用户有不同的身份认证类型,如金V,蓝V,橙V,达人,草根四个类别,其中,金V,蓝V,橙V,达人等等,都是已经进行身份认证过的,因此,对于上述身份认证类型可以筛选掉,排除为水军的可能性。
另外对于粉丝数很大的微博用户为水军的可能性也比较小,例如,对于粉丝数达到10万+的情况下是水军的可能性是非常小的,因此,可以将粉丝数大于10万+的微博用户筛选出来,排除为水军的可能性。
在本申请的一实施例中,微博用户的身份认证类型以及微博用户的粉丝数来作为筛选条件,例如,先通过身份认证类型排除掉金V,蓝V,橙V,达人等等非水军用户,然后再通过粉丝数来排除一定的水军,例如,将粉丝数达到10万+的微博用户排除,通过这种筛选方式,能够提高工作效率,提高准确度。
根据本申请的另一方面,还提供了一种用于微博水军识别的设备,其中,包括:
处理器;以及
被安排成存储计算机可执行指令的存储器,所述可执行指令在被执行时使所述处理器:获取待识别的微博用户的N个维度属性信息,其中,所述维度属性信息包括微博用户在微博的相关活动信息,其中,N为大于1的预设值;将所述N个维度属性信息输入已训练的改造过的DNN网络;获取所述改造过的DNN网络基于所述N个维度属性信息确定的、对应微博用户是否为微博水军的输出结果。
根据本申请的再一方面,还提供了一种计算机可读介质,其中,
其上存储有计算机可读指令,其中,该计算机可执行指令被处理器执行时使得该处理器:获取待识别的微博用户的N个维度属性信息,其中,所述维度属性信息包括微博用户在微博的相关活动信息,其中,N为大于1的预设值;将所述N个维度属性信息输入已训练的改造过的DNN网络;获取所述改造过的DNN网络基于所述N个维度属性信息确定的、对应微博用户是否为微博水军的输出结果。
与现有技术相比,本申请通过获取待识别的微博用户的N个维度属性信息,其中,所述维度属性信息包括微博用户在微博的相关活动信息,其中,N为大于1的预设值;将所述N个维度属性信息输入已训练的改造过的DNN网络;获取所述改造过的DNN网络基于所述N个维度属性信息确定的、对应微博用户是否为微博水军的输出结果。通过这种方式,能够准确高效地识别出微博水军。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。装置权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一,第二等词语用来表示名称,而并不表示任何特定的顺序。
Claims (8)
1.一种用于微博水军识别的方法,其中,该方法包括:
获取待识别的微博用户的N个维度属性信息,其中,所述维度属性信息包括微博用户在微博的相关活动信息,其中,N为大于1的预设值;
将所述N个维度属性信息输入已训练的改造过的DNN网络;
获取所述改造过的DNN网络基于所述N个维度属性信息确定的、对应微博用户是否为微博水军的输出结果。
2.根据权利要求1所述的方法,其中,在所述获取待识别的微博用户的N个维度属性信息之前,所述方法还包括:
获取待识别的微博用户的筛选信息;
基于对所述筛选信息的预设规则,对所述待识别的微博用户进行筛选;
其中,所述获取待识别的微博用户的N个维度属性信息包括:
获取筛选后的待识别的微博用户的N个维度属性信息。
3.根据权利要求2所述的方法,其中,所述筛选信息包括以下至少任一项:
微博用户的身份认证类型;
微博用户的粉丝数。
4.根据权利要求1所述的方法,其中,所述方法还包括训练改造过的DNN网络,其中,所述训练改造过的DNN网络包括:
获取已标注微博水军的微博用户的N个维度属性信息;
将所述已标注微博水军的微博用户的N个维度属性信息输入改造过的DNN网络进行训练,直至计算出的损失值满足预设的损失阈值。
5.根据权利要求1至4中任一项所述的方法,其中,所述改造过的DNN网络包括:输入层、隐藏层、输出层以及softmax层,其中,输入层由N个神经元组成,对应N个维度属性信息,作为输入向量;隐藏层有两层,每层的神经元个数设定为2N+1个;输出层由2个神经元组成;softmax层用来确定是否为微博水军的最终计算。
6.根据权利要求1至5中任一项所述的方法,其中,所述N个维度属性信息包括:单位周时间微博原创数量、单位周时间转发量、粉丝数、单条微博的平均被转发评论、关注他人数、收藏数量、点赞数。
7.一种计算机可读介质,其上存储有计算机可读指令,所述计算机可读指令可被处理器执行以实现如权利要求1至6中任一项所述的方法。
8.一种用于微博水军识别的设备,其中,该设备包括:
一个或多个处理器;以及
存储有计算机可读指令的存储器,所述计算机可读指令在被执行时使所述处理器执行如权利要求1至6中任一项所述方法的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900124.8A CN110727861A (zh) | 2019-09-23 | 2019-09-23 | 用于微博水军识别的方法与设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910900124.8A CN110727861A (zh) | 2019-09-23 | 2019-09-23 | 用于微博水军识别的方法与设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110727861A true CN110727861A (zh) | 2020-01-24 |
Family
ID=69218260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910900124.8A Pending CN110727861A (zh) | 2019-09-23 | 2019-09-23 | 用于微博水军识别的方法与设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110727861A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893484A (zh) * | 2016-03-29 | 2016-08-24 | 西安交通大学 | 一种基于文本特征和行为特征的微博Spammer识别方法 |
CN106940732A (zh) * | 2016-05-30 | 2017-07-11 | 国家计算机网络与信息安全管理中心 | 一种面向微博的疑似水军发现方法 |
CN109063927A (zh) * | 2018-08-28 | 2018-12-21 | 成都信息工程大学 | 一种基于ts-lstm和dnn的微博转发量预测方法 |
-
2019
- 2019-09-23 CN CN201910900124.8A patent/CN110727861A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105893484A (zh) * | 2016-03-29 | 2016-08-24 | 西安交通大学 | 一种基于文本特征和行为特征的微博Spammer识别方法 |
CN106940732A (zh) * | 2016-05-30 | 2017-07-11 | 国家计算机网络与信息安全管理中心 | 一种面向微博的疑似水军发现方法 |
CN109063927A (zh) * | 2018-08-28 | 2018-12-21 | 成都信息工程大学 | 一种基于ts-lstm和dnn的微博转发量预测方法 |
Non-Patent Citations (2)
Title |
---|
孙卫强: "基于深度信念网络的网络水军识别研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
杨昊 等: "一种基于深度神经网络的水军识别模型", 《现代计算机》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109063966B (zh) | 风险账户的识别方法和装置 | |
Dai et al. | Improving data quality through deep learning and statistical models | |
Dennis et al. | Computational aspects of N‐mixture models | |
WO2017013529A1 (en) | System and method for determining credit worthiness of a user | |
CN109635010B (zh) | 一种用户特征及特征因子抽取、查询方法和系统 | |
CN111090807A (zh) | 一种基于知识图谱的用户识别方法及装置 | |
CN112650482A (zh) | 一种逻辑组件的推荐方法及相关装置 | |
TW201939402A (zh) | 一種資源和行銷推薦方法、裝置及電子設備 | |
CN113032525A (zh) | 虚假新闻检测方法、装置、电子设备以及存储介质 | |
CN113554175A (zh) | 一种知识图谱构建方法、装置、可读存储介质及终端设备 | |
Patel et al. | An application of ensemble random forest classifier for detecting financial statement manipulation of Indian listed companies | |
CN112434884A (zh) | 一种供应商分类画像的建立方法及装置 | |
Song et al. | Asymptotic distribution-free changepoint detection for data with repeated observations | |
CN111767474A (zh) | 一种基于用户操作行为构建用户画像的方法及设备 | |
US11308130B1 (en) | Constructing ground truth when classifying data | |
CN112200666A (zh) | 一种特征向量的处理方法及相关装置 | |
Tournier et al. | Expanding the attack surface: Robust profiling attacks threaten the privacy of sparse behavioral data | |
CN109559245B (zh) | 一种识别特定用户的方法及装置 | |
CN116629423A (zh) | 用户行为预测方法、装置、设备及存储介质 | |
CN110727861A (zh) | 用于微博水军识别的方法与设备 | |
US20220156304A1 (en) | Relationship discovery and quantification | |
US11503055B2 (en) | Identifying siem event types | |
CN114493279A (zh) | 一种工作流任务预测方法、装置、存储介质及电子设备 | |
Krundyshev et al. | Generative adversarial network for detecting cyber threats in industrial systems | |
CN114090869A (zh) | 目标对象处理方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200124 |