一种基于结构与内容的网络水军检测模型

杨锡慧

Chinese

您当前的位置：

首页 >

文章列表页 >

一种基于结构与内容的网络水军检测模型

更新时间：2026-09-04

- 一种基于结构与内容的网络水军检测模型
- A Webspammer Detection Model Based on Structure and Content
- 微电子学与计算机 2017年34卷第12期页码：99-106
- 作者机构：
  
  中国电信南京分公司网络运维部,江苏,南京,210008
- 作者简介：
- 基金信息：
  
  国家自家科学基金 61300054
- DOI：
  中图分类号：
- 纸质出版：2017
- 稿件说明：
移动端阅览
杨锡慧. 一种基于结构与内容的网络水军检测模型[J]. 微电子学与计算机, 2017, 34(12): 99-106.

YANG Xi-hui. A Webspammer Detection Model Based on Structure and Content[J]. 2017, 34(12): 99-106.
杨锡慧. 一种基于结构与内容的网络水军检测模型[J]. 微电子学与计算机, 2017, 34(12): 99-106. DOI：

YANG Xi-hui. A Webspammer Detection Model Based on Structure and Content[J]. 2017, 34(12): 99-106. DOI：

摘要

随着网络水军团体行为破坏性越来越强

如何有效检测网络水军成为一个迫切问题.针对这一问题

提出了一种基于结构与内容的网络谣言水军检测模型MSD

该模型认为重叠结构中多次传播谣言的节点为网络谣言水军.MSD首先从单位时间内发送信息的节点中

挖掘传播能力强的节点(重叠结构); 然后根据已知的谣言与重叠结构中的节点传播内容进行相似度检测

检测出嫌疑网络水军; 最后根据疑似网络水军传播谣言的频率确定网络水军.实验表明

MSD模型较相关其他模型

在检测网络谣言水军方面具有更高的准确率.

Abstract

With the destruction of the Webspammer is more and more strong

how to efficiently and accurately detect the webspammer has become an urgent problem. To solve this problem

this paper proposes a webspammer Detection Model based on Structure and Content (MSD)

the model considers the node in the overlaps structure repeatedly spread Internet rumors is the webspammer.First

In the unit time

from the node that has sent the information

MSD mining strong spread ability of the node (overlapping structure); Then

MSD can detect the the suspected webspammer according to the similarity between the rumor and the node spread content in the overlapping structure; Finally

determine the webspammer according to a suspected webspammer spread rumors frequency. Experimental results show that the MSD model is related to other model has higher accuracy in the detection of webspammer.

关键词

Keywords

references

Ahn Y Y, Bagrow J P, Lehmann S. Link communities reveal multiscale complexity in networks[J]. Nature, 2010, 466(7307): 761-764. DOI: 761

丁朝云, 周滨家堰, 张璐敏. 微博中基于多关系网络的话题层次影响力分析[J]. 计算机研究与发展, 2013, 56(10): 2155-2175. DOI: 2155

朱明华, 董科军, 宋成. Blog空间的特征初探[J]. 微电子学与计算机, 2005, 22(9): 27-29. DOI: 27

Yang C, Harkreader R, Gu G. Empirical evaluation and new design for fighting evolving Twitter spammers[J]. Information Forensics and Security, IEEE Transactions on, 2013, 8(8): 1280-1293. DOI: 1280

Niu Y, Chen H, Hsu F, et al. A quantitative study of forum spamming using context-based analysis[C]//NDSS. San Diego, 2007.

Song J, Lee S, Kim J. Spam filtering in twitter using sender-receiver relationship[C]//Recent Advances in Intrusion Detection. Springer Berlin Heidelberg, 2011: 301-317.

Phan X H, Nguyen L M, Horiguchi S. Learningto classify short and sparse text % web with hidden topics from large-scale data collections[C]//Proceedings of the 17th international conference on World Wide Web. ACM, 2008: 91-100.

Las-Casas P H B, Guedes D, Almeida J M, et al. SpaDeS: Detecting spammers at the source network[J]. Computer Networks, 2013, 57(2): 526-539. DOI: 526

Stringhini G, Kruegel C, Vigna G. Detecting spammers on social networks[C]//Proceedings of the 26th Annual Computer Security Applications Conference. ACM, 2010: 1-9.

张玥, 张宏莉, 张伟哲, 等. 识别网络论坛中有影响力用户[J]. 计算机研究与发展, 2013, 50(10): 2195-2205. DOI: 2195

Ghosh S, Korlam G, Ganguly N. Spammers' networks within online social networks: a case-study on Twitter[C]//Proceedings of the 20th international conference companion on World wide web. ACM, 2011: 41-42.

Zhu Y, Wang X, Zhong E, et al. Discovering spammers in social networks[C]//AAAI. 2012.

Ott M, Choi Y, Cardie C, et al. Finding deceptive opinion spam by any stretch of the imagination[C]//Proceedings of the 49th Annual Meeting of the Association for Computational Linguistics: Human Language Technologies-Volume 1. Association for Computational Linguistics, 2011: 309-319.

Wang K, Xiao Y, Xiao Z. Detection of Internet water army in social network[C]//2014 International Conference on Computer, Communications and Information Technology (CCIT 2014). Atlantis Press, 2014.

朱牧, 孟帆蓉, 周勇. 基于链接密度聚类的重叠社区发现算法[J]. 计算机研究与发展, 2013, 56(12): 2520-2530. DOI: 2520

Amleshwaram A A, Reddy N, Yadav S, et al. CATS: Characterizing automation of Twitter spammers[C]//Communication Systems and Networks (COMSNETS), 2013 Fifth International Conference on. IEEE, 2013: 1-10.

莫倩, 杨珂. 网络水军识别研究[J]. 软件学报, 2014, 25(7): 1505-1526. DOI: 1505

韩毅, 许进, 方滨兴, 等. 社交网络的结构支撑理论[J]. 计算机学报, 2014, 37(4): 905-914. DOI: 905

张兰华, 孙岩, 薛绍伟, 等. 基于BP神经网络的社团分类研究[J]. 微电子学与计算机, 2011, 28(6): 197-200. DOI: 197

周东浩, 韩文报. DiffRank: 一种新型社会网络信息传播检测算法[J]. 计算机学报, 2014, 37(4): 884-893. DOI: 884

王永刚, 蔡飞志, Keong, 等. 一种社交网络虚假信息传播控制方法[J]. 计算机研究与发展, 2012, 55(增刊2): 131-137. DOI: 131

肖宇, 许炜, 张晨, 等. 社交网络中用户区域影响力评估算法研究[J]. 微电子学与计算机, 2012, 29(7): 58-63. DOI: 58

赵之滢, 于海, 朱志良, 等. 基于网络社团结构的节点传播影响力分析[J]. 计算机学报, 2014, 37(4): 753-766. DOI: 753

潘惠勇, 王鹏, 张慧乐. 基于FCM的复杂网络重叠社团结构发现算法[J]. 微电子学与计算机, 2011, 28(12): 111-114. DOI: 111

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于改进RT-DETR的航拍小目标检测算法

一种用于极低压boost系统的高效率电荷泵

面向处理器分支预测单元的Spectre攻击轻量化防御方法

大模型发展综述：从BERT到Deepseek的技术演进

基于反向体偏置的高增益稳定性高温运放设计