基于圖形知識(shí)發(fā)現(xiàn)的操控網(wǎng)絡(luò)群體行為識(shí)別方法研究.pdf

1、近年來,我國的網(wǎng)絡(luò)群體行為頻繁出現(xiàn),特別是具有操控特征的網(wǎng)絡(luò)群體行為對我國社會(huì)的公共安全體系帶來了嚴(yán)重地威脅。操控網(wǎng)絡(luò)群體行為通常在短時(shí)間內(nèi)就能形成巨大的危害,如果無法對操控行為進(jìn)行快速準(zhǔn)確地識(shí)別,針對這一類網(wǎng)絡(luò)群體行為的有效應(yīng)對通常是難以實(shí)現(xiàn)的。因此,本文利用集群行為、復(fù)雜網(wǎng)絡(luò)、時(shí)間序列分析與圖形知識(shí)發(fā)現(xiàn)等相關(guān)理論與方法構(gòu)造操控網(wǎng)絡(luò)群體行為的識(shí)別模型,并且對模型的判別精度進(jìn)行分析與解釋。
　　首先,分析了網(wǎng)絡(luò)群體行為與網(wǎng)絡(luò)信息傳

2、播的耦合關(guān)系。指出網(wǎng)絡(luò)信息傳播的用戶要素與主題要素;同時(shí)明確了用戶主題關(guān)聯(lián)、用戶組關(guān)聯(lián)與主題組關(guān)聯(lián)的關(guān)聯(lián)規(guī)則,進(jìn)而完成了虛擬社群的圖結(jié)構(gòu)表征。在此基礎(chǔ)上，構(gòu)造了表征用戶活躍度的特征集,利用凝聚聚類技術(shù)得到用戶活躍度的聚類中心,完成虛擬社群圖結(jié)構(gòu)的層次處理;同時(shí),對圖模式的關(guān)聯(lián)關(guān)系引入時(shí)間信息,實(shí)現(xiàn)圖結(jié)構(gòu)的動(dòng)態(tài)處理。圖結(jié)構(gòu)的層次處理與動(dòng)態(tài)處理實(shí)現(xiàn)了虛擬社群的動(dòng)態(tài)層次結(jié)構(gòu)的表征。
　　其次,構(gòu)造網(wǎng)絡(luò)群體行為與非網(wǎng)絡(luò)群體行為兩類虛擬社群

3、的動(dòng)態(tài)層次圖結(jié)構(gòu),用鄰接矩陣對虛擬社群的動(dòng)態(tài)層次圖結(jié)構(gòu)進(jìn)行表示。根據(jù)圖論知識(shí),對圖結(jié)構(gòu)特征進(jìn)行抽取,選擇圖的規(guī)模、點(diǎn)的度、點(diǎn)的橋接水平等特征量組成虛擬社群圖結(jié)構(gòu)的特征集。利用圖結(jié)構(gòu)特征集學(xué)習(xí)兩類社群圖模式的決策樹分類模型,得到了圖結(jié)構(gòu)特征的決策樹模型。通過分析決策規(guī)則的決策效率,構(gòu)造決策樹的剪枝準(zhǔn)則,完成決策樹的剪枝,實(shí)現(xiàn)樹模型優(yōu)化。最后,利用測試數(shù)據(jù)集對模型的決策精度進(jìn)行驗(yàn)證。
　　再次,分析了虛擬社群圖結(jié)構(gòu)的頻繁模式,同時(shí)比較

4、了主要的頻繁模式發(fā)現(xiàn)算法的計(jì)算邏輯,指出了基于深度優(yōu)先搜索策略的gSpan算法對于社群圖結(jié)構(gòu)頻繁模式發(fā)現(xiàn)的優(yōu)勢。明確闡述了圖的最右路徑擴(kuò)展的節(jié)點(diǎn)選擇策略與圖的DFS編碼規(guī)則,深入分析了DFS字典序?qū)τ趦?yōu)化計(jì)算的意義。然后,設(shè)定頻繁模式的最小支持度,利用gSpan算法分別對操控社群與非操控社群的圖模式數(shù)據(jù)構(gòu)造頻繁模式樹,完成操控社群與非操控社群頻繁圖模式的可視化處理,并對兩類社群的頻繁模式集進(jìn)行主題集與用戶集分析,指出操控社群與非操控社群

5、的頻繁模式的結(jié)構(gòu)特征。
　　最后,闡述了圖模塊歸納決策樹算法的計(jì)算邏輯與算法步驟。深入分析了圖模塊的模塊選擇、圖模塊的數(shù)量計(jì)算與圖模塊的離散準(zhǔn)則。構(gòu)建操控社群與非操控社群兩類樣本的圖數(shù)據(jù)集,利用頻繁模式發(fā)現(xiàn)算法得到模型學(xué)習(xí)的模塊集,計(jì)算全部樣本的模塊存在數(shù)量,根據(jù)模塊的離散準(zhǔn)則對數(shù)量矩陣完成離散處理。利用得到的數(shù)量矩陣學(xué)習(xí)操控社群與非操控社群的圖模塊歸納決策樹模型。同樣,完成樹模型的剪枝處理,實(shí)現(xiàn)模型的結(jié)構(gòu)優(yōu)化。通過對模型的支持度