[发明专利]一种基于增量学习的集成式自适应水军识别方法

权利要求书

1.一种基于增量学习的集成式自适应水军识别方法，其特征在于，所述方法采用集成式策略，将识别模型分为传统分类器A和神经网络分类器B，具体包括：

步骤1：在网上爬取大量正常用户文本数据和水军文本数据；

步骤2：分别对步骤1获取的文本数据进行类别标记，具体的，正常用户文本数据标记为1，水军用户数据标记为0；

步骤3：进行包括人工提取发文量、粉丝数、关注数的特征工程，提取用户信息特征D并对标记的文本数据进行清洗；用户信息特征D包括发文量、粉丝数、关注数，数据清洗包括去除网页标签和表情字符；

步骤4：对所述正常用户文本数据和所述水军文本数据进行分词，获得对应的文本词序列；

步骤5：将所述文本词序列处理为固定长度，长度不够的用零填充，长度超过的截断；

步骤6：将标记好类别的文本数据随机打乱，使标记为1的数据和标记为0的数据充分混合成文本数据S；

步骤7：将步骤6混合的数据S划分为batch大小的批数据；

步骤8：将用户信息特征D划分为子数据集D₁和D₂，两个子数据集之间样本有60％重叠，用于训练传统分类器A，用于学习离散的用户信息特征，所述传统分类器A包括支持向量机模型SVM和贝叶斯分类器；

步骤9：用子数据集D₁训练支持向量机模型SVM，采用最大化间隔策略优化模型，通过最小化||w||来找到最大间隔，数学描述如下：

其中，w为超平面法向量，b为偏移项；

步骤10：用子数据集D₂训练所述贝叶斯分类器，使用最小化条件风险策略优化模型，通过最小化条件风险获得贝叶斯最优分类器h^*，数学描述如下：

其中，R为条件风险，λ_ij是将一个真实分类为c_j的样本分类为c_i产生的误差，P(c_j|x)为将样本x分类为c_j的概率；

步骤11：用所述文本数据S训练神经网络分类器B，通过深度学习捕获文本序列中的语言特征，所述神经网络分类器B是基于RNN的时序模型，用于捕获文本序列的特征，计算交叉熵得到误差，通过误差反向传播优化模型参数，数学描述如下：

其中，n为batch大小，y_i为第i条数据的真实标签，p_i为模型B计算出的第i条数据的标签；

步骤12：设定结束条件，若满足结束条件，如1000轮内结果无提升，则重复步骤9至步骤11，直到满足结束条件，模型停止训练；

步骤13：按照步骤1至步骤8构造测试集，测试集包含用户信息特征D′和文本数据S′，对传统分类器A和神经网络分类器B进行测试，将用户信息特征D′输入所述传统分类器A得到out_A1和out_A2，文本数据S′输入所述神经网络分类器B得到out_B；

步骤14：将out_A1、out_A2和out_B与标签进行比对，不一致则计算误差反向优化分类器的模型。

2.如权利要求1所述的集成式自适应水军识别方法，其特征在于，所述方法还包括：

步骤15：在实际使用模型时引入外部数据，即非训练集数据，对输出的三个结果做投票，两票以上的类别作为最终结果，同时，当有一个子模型结果与另外两个子模型的结果不一致时，将另外两个模型的结果作为标签计算误差，反向优化只得一票的子模型。