微網(wǎng)絡(luò)環(huán)境中謠言識(shí)別機(jī)制研究.pdf

1、微博、微信等社交平臺(tái)的廣泛應(yīng)用縮短了信息傳播周期、擴(kuò)大了信息傳播范圍，使得謠言造成的影響與危害變得更大，如何識(shí)別、進(jìn)而阻斷謠言成為信息傳播領(lǐng)域的熱點(diǎn)問(wèn)題。本文基于最大熵模型、改進(jìn)的最大熵模型和謠言的爆炸性，構(gòu)建了微網(wǎng)絡(luò)環(huán)境中謠言信息的識(shí)別機(jī)制。
　　本文主要進(jìn)行了以下四項(xiàng)工作：
　　第一，將最大熵模型用于謠言識(shí)別，并根據(jù)謠言的特點(diǎn)確定特征函數(shù)，設(shè)計(jì)實(shí)驗(yàn)的訓(xùn)練集，并在不同特征數(shù)量下進(jìn)行了實(shí)驗(yàn)，找到了最適合謠言識(shí)別的特征數(shù)量。通

2、過(guò)與支持向量機(jī)模型、BP-神經(jīng)網(wǎng)絡(luò)模型、貝葉斯模型和K-means算法的謠言識(shí)別結(jié)果的比較證明，基于最大熵模型的謠言識(shí)別準(zhǔn)確率與貝葉斯模型和K-means算法相當(dāng)，仍有改進(jìn)空間。
　　第二，改進(jìn)了最大熵模型，提高了謠言識(shí)別的準(zhǔn)確率。提出了一種新的樣本構(gòu)建方法：中心距離裁剪法，用來(lái)解決非平衡數(shù)據(jù)分類問(wèn)題中的邊界模糊和孤立樣本的問(wèn)題。該方法用帶有權(quán)重的向量來(lái)表示每一條信息，并用向量之間的距離表示信息的相似度，利用樣本信息到每一類信息中

3、心的距離來(lái)定義孤立點(diǎn)，裁剪邊界樣本。該方法解決了原始樣本孤立點(diǎn)多和邊界模糊的問(wèn)題。
　　提出了一種全新的特征選擇方法：差異計(jì)算法。該方法充分考慮到了特征出現(xiàn)次數(shù)對(duì)謠言識(shí)別的影響，也充分考慮了在謠言和非謠言兩類信息中出現(xiàn)都較多的特征的參考價(jià)值較低這一問(wèn)題，在此基礎(chǔ)上計(jì)算每個(gè)特征的差異值DC(f)，并根據(jù)差異值對(duì)特征進(jìn)行排序，選擇差異值最大的n個(gè)特征用于謠言識(shí)別。同時(shí)，對(duì)最大熵模型的特征函數(shù)進(jìn)行改進(jìn)，使最大熵模型更適合謠言識(shí)別。

4、>　　在構(gòu)建了基于改進(jìn)的最大熵模型的謠言識(shí)別機(jī)制后，本文進(jìn)行了謠言識(shí)別實(shí)驗(yàn)，在實(shí)驗(yàn)設(shè)計(jì)中，對(duì)訓(xùn)練集的選取進(jìn)行了改進(jìn)，并用中心距離裁剪法進(jìn)行優(yōu)化，通過(guò)實(shí)驗(yàn)找到了微網(wǎng)絡(luò)環(huán)境中進(jìn)行謠言識(shí)別的最佳特征數(shù)量。將改進(jìn)后與改進(jìn)前的最大熵模型實(shí)驗(yàn)結(jié)果進(jìn)行了比較，并且與支持向量機(jī)模型、BP-神經(jīng)網(wǎng)絡(luò)模型、貝葉斯模型和K-means算法的謠言識(shí)別結(jié)果進(jìn)行了對(duì)比。實(shí)驗(yàn)結(jié)果表明，通過(guò)優(yōu)化的訓(xùn)練集和特征函數(shù)的謠言識(shí)別效果明顯優(yōu)于優(yōu)化之前，并且識(shí)別準(zhǔn)確率優(yōu)于其他相