社交網(wǎng)絡(luò)信息可信度實(shí)時(shí)評(píng)估的研究與應(yīng)用.pdf

1、隨著城市化的高速發(fā)展，越來(lái)越多的人選擇在發(fā)達(dá)的城市工作和生活。這將對(duì)城市的公共管理帶來(lái)巨大挑戰(zhàn)。在規(guī)劃城市建設(shè)時(shí)，有效收集市民反饋的城市服務(wù)請(qǐng)求信息尤為重要。推特平臺(tái)作為社交媒體的典型代表，擁有廣大的用戶群體。市民常常通過推特分享周邊的日常事件，這些社交數(shù)據(jù)將為挖掘城市服務(wù)請(qǐng)求提供了可能。然而，推特屬于點(diǎn)對(duì)面的即時(shí)通信平臺(tái)。該平臺(tái)在降低信息發(fā)布門檻的同時(shí)，也提高了虛假信息的傳播速度。這導(dǎo)致社交數(shù)據(jù)價(jià)值的急劇降低。雖然平臺(tái)提供人工過濾虛假

2、信息的途徑，但標(biāo)識(shí)這些信息是非常耗時(shí)的。因而本文提出了一個(gè)自動(dòng)評(píng)估框架完成推文可信度的評(píng)估。
　　本文對(duì)個(gè)人推文進(jìn)行可信度評(píng)估，其主要工作如下：
　　第一，提出了基于KLD（Kullback-Leibler divergence）的推文話題檢測(cè)方法。推文數(shù)據(jù)集涉及的話題數(shù)不確定導(dǎo)致聚類方法在推文話題檢測(cè)的應(yīng)用受到限制。因此，采用基于KLD來(lái)計(jì)算文本相似度從而完成推文的話題歸類。
　　第二，提出了基于用戶類、內(nèi)容類以及單

3、詞類的多層特征可信度建模方案。在現(xiàn)有的可信度建模方案基礎(chǔ)上，引入單詞類特征。具體思路是對(duì)文本進(jìn)行分詞，并轉(zhuǎn)換成由多元分詞構(gòu)成的特征向量。通過 TF-IDF(term frequency-inverse document frequency）算法計(jì)算特征向量的權(quán)值，將帶有權(quán)值的特征向量作為單詞類特征。采用隨機(jī)森林算法建立可信度評(píng)估模型，實(shí)驗(yàn)表明建立的模型在性能方面有了比較明顯的提升。
　　第三，基于建立的模型實(shí)現(xiàn)了一個(gè)可信度實(shí)時(shí)評(píng)估