面向微博消息流的異常消息檢測關鍵技術研究.pdf

1、當代是共享信息的時代，隨手移動端的發(fā)展和網絡普及化，微博成為人們生活中一種不可或缺獲取信息的便捷途徑，它可以實現與他人分享、交流、互動信息等功能。然而隨著微博消息數量的日益膨脹，突發(fā)消息和垃圾消息會在微博平臺上的擴散速度更快，傳播更廣。如何快速有效的檢測微博的中異常消息已經成為微博輿情監(jiān)管領域重要研究的方向。
　　突發(fā)消息檢測的研究重點是微博中合理調整滑動窗口的大小以及合理選取閾值的大小?；诖藛栴}，文中是基于時間序列方式的微博滑

2、動窗口，針對固定窗口檢測突發(fā)消息的靈敏程度小，閾值的固定化不能適應消息變化快慢等缺點，本文結合滑動窗口算法和自適應閾值算法，提出自適應滑動窗口及判定閾值微博突發(fā)消息檢測研究。該模型考慮到網絡流量實時性對窗口和閾值要求靈活的特點，通過實驗數據選擇時間跨度長短不同的微博消息，用對比方式驗證自適應滑動窗口比固定窗口檢測消息的時間要快、要合理，更好分析突發(fā)消息波動的趨勢。用對比實驗驗證自適應閾值的正確性，更好的預測微博突發(fā)消息的起伏變化。

3、>　　在微博檢測突發(fā)消息的過程中，檢測的消息中會存在垃圾消息。如何將數據信息提取出來服務于用戶，最終目的是要凈化垃圾信息。根據人工標注和匹配規(guī)則方式對垃圾消息分類的識別適應性差的問題，因此本文提出融合KNN和SVM的微博垃圾消息檢測算法研究。該算法采用有監(jiān)督學習，判斷樣本點到決策平面的距離，對于分類模糊的樣本點進行再次分類。通過實驗證明，融合方法能有效提高垃圾檢測的正確性，有效識別垃圾的問題。
　　綜上所述，本文重點分析影響突發(fā)消