基于多结构特征的垃圾博客识别研究-山西大学计算机与信息技术学院.pdfVIP

4932 2010，31(22) 计算机工程与设计 ComputerEngineeringandDesign ·开发与应用 · 基于多结构特征的垃圾博客识别研究 何 苑 ， 谭 红叶 (1．山西大学 计算机与信息技术学院，山西 太原 030006；2．长治学院计算机系，山西 长治 046011) 摘 要：为解决 日益严重的垃圾博客 问题 ，对产生垃圾博客的作弊技术和相应的识别技术进行 了研究。通过对大量中文垃 圾博客的分析，结合对作弊者 目的的研究，提 出了从用户名、发帖时间间隔、博文内容、锚文本和链接地址、分类标签等博客 的结构特征出发的特征提取方法。在特征提取的基础上，提出了基于多结构特征的识别方法，并建立 了相应的系统模型。使 用支持向量机和朴素贝叶斯模型作为分类器进行 了实验，并与经典的基于内容的方法进行 了对 比。实验结果表明，在小的 训练集上，基于多结构特征的方法正确率达到90％以上 ，比基于内容的方法提高了6个百分点，该方法可有效区分垃圾博客 和正常博客 。 关键词：中文信息处理；垃圾博客；多结构特征；朴素贝叶斯；支持向量机 中图法分类号：TP391 文献标识码：A 文章编号：1OO0—7024(2010)22．49320．04 ResearchofidentifyingSplogbasedonmultiplestructurefeatures HE YuanI． TAN Hong—ve。 (1．SchoolofComputerandInform~ionTechnology,ShanxiUniversity,Taiyuan030006，China； 2．DepartmentofComputer,ChangzhiUniversiyt,Changzhi046011，China) Abstract：Toaddressthegrowingproblem ofSplog，thegeneratingSplogtechnologyandthecorrespondingrecognitiontechn ologyare studied．ByanalyzingalargenumberofChineseSplogandthepurposesofSplogmaker, amethodofextractingfeaturefrom blog structurefeaturesisproposedsuchastheuser’Sname，posttimeinterval，postcontent，anchortextandlinkadrdess，classification labels．Basedonhtefeatureextraction，amethodbasedonthemultiplesturcturefeaturesisproposed．ThenaiveBayesianmodelna d supportvectormachinesareusedastheclassifierinourmode1．Experimentsonasmallrtaindatasetshow thatthemethodbasedonmul— tiplestrucutrefeautresreachesanaccuracyof90％．Comparedwiththecontendbasedmethod，proposedmethodincreasestheaccuracy by6％．indicatingthatthemethodcanidentifySplogseffectively~ Keywords：Chineseinformationprocessing；Splog；multiplestructurefeatures；naiveBayesian； supportvectormachine 局部的内容分析两方面出发，对相应作弊技术的进行 了研究 0 引 言 讨论。在针对链接分析方面，基于信任度传播和链接工厂的 垃圾博客指的是通过机器生成或随意抄袭产生的博客， 链接分析方法针对垃圾网页的识别取得了很多不错的研究成 其 目的是吸引关注后