社交媒體內容安全挖掘技術研究

第1章 緒論
1．1 社交媒體
1．1．1 社交媒體概念
1．1．2 主流社交媒體
1．1．3 社交媒體特性
1．2 社交媒體挖掘
1．2．1 社交媒體挖掘概述
1．2．2 社交媒體挖掘應用
1．3 社交媒體內容安全挖掘
1．3．1 社交媒體虛假消息挖掘
1．3．2 社交媒體水軍與馬甲識別
1．3．3 社交媒體去匿名化挖掘
1．3．4 社交媒體社團挖掘
1．4 本書主要內容
本章參考文獻
第2章 社交媒體挖掘基本理論與方法
2．1 概述
2．2 社交網(wǎng)絡分析
2．3 支持向量機
2．4 貝葉斯學習
2．4．1 樸素貝葉斯
2．4．2 概率圖模型
2．5 決策樹學習
2．5．1 決策樹
2．5．2 隨機森林
2．5．3 梯度提升決策樹
2．6 神經(jīng)網(wǎng)絡
2．6．1 BP神經(jīng)網(wǎng)絡模型
2．6．2 卷積神經(jīng)網(wǎng)絡
本章參考文獻
第3章 社交媒體虛假消息識別研究
3．1 概述
3．2 微博消息可信度評估因素
3．2．1 概述
3．2．2 評論特征
3．2．3 實驗與分析
3．3 基于支持向量機的微博虛假消息檢測
3．3．1 基于支持向量機判別模型
3．3．2 實驗與分析
3．4 基于用戶等級特征的虛假消息檢測
3．4．1 特征工程
3．4．2 實驗與分析
3．5 基于BP神經(jīng)網(wǎng)絡的虛假消息檢測模型
3．5．1 模型構建
3．5．2 實驗與分析
3．6 基于注意力機制的虛假消息早期檢測模型
3．6．1 基于LSTM／GRU的文本特征表示
3．6．2 基于注意力模型的虛假消息早期檢測
3．6．3 實驗與分析
3．7 小結
本章參考文獻
第4章 社交媒體虛假圖像檢測研究
4．1 虛假圖像檢測概述
4．1．1 背景介紹
4．1．2 虛假圖像檢測方法
4．1．3 圖像統(tǒng)計特性檢測
4．2 虛假圖像特征提取研究
4．2．1 離散小波變換
4．2．2 奇異值分解算法
4．3 虛假圖像被動認證檢測方法研究
4．3．1 復制添加型虛假圖像
4．3．2 基于離散小波變換和SVD的檢測算法
4．3．3 實驗與分析
4．4 小結
本章參考文獻
第5章 水軍識別與馬甲識別模型研究
5．1 概述
5．2 基于概率圖模型的水軍識別模型
5．2．1 概述
5．2．2 特征分析
5．2．3 WGM模型構建
5．2．4 實驗與分析
5．3 基于譜分析的水軍團體識別模型
5．3．1 概述
5．3．2 用戶關系圖模型譜分析
5．3．3 基于用戶關系圖譜特征定位電商水軍團體
5．3．4 實驗與評價
5．4 基于頻繁子樹的馬甲識別模型
5．4．1 概述
5．4．2 基于頻繁子樹的馬甲識別模型
5．4．3 基于頻繁子樹的馬甲識別實例分析
5．4．4 實驗與分析
5．5 基于混合特征的馬甲識別模型
5．5．1 模型構建
5．5．2 基于混合特征的馬甲識別實例分析
5．5．3 實驗與分析
5．6 小結
本章參考文獻
第6章 社交網(wǎng)絡去匿名化方法研究
6．1 去匿名化概述
6．1．1 基于用戶屬性的去匿名化方法
6．1．2 基于用戶關系的去匿名化方法
6．2 基于排序學習的去匿名化方法
6．2．1 網(wǎng)絡結構特征
6．2．2 基于排序學習的去匿名化攻擊方法
6．2．3 實驗與分析
6．3 基于表示學習的去匿名化方法
6．3．1 表示學習模型架構
6．3．2 隨機游走網(wǎng)絡表示學習算法
6．3．3 約束隨機游走算法
6．3．4 模型推導與參數(shù)訓練
6．3．5 實驗與分析
6．4 小結
本章參考文獻
第7章 社交媒體社團發(fā)現(xiàn)模型研究
7．1 社團劃分概述
7．1．1 社團結構與社團劃分
7．1．2 基于全局結構的社團劃分方法
7．1．3 基于局部結構的社團劃分方法
7．1．4 經(jīng)典算法時間復雜度比較
7．1．5 算法局限性分析
7．2 常用數(shù)據(jù)集與評價指標
7．2．1 常用數(shù)據(jù)集
7．2．2 評價指標
7．3 基于節(jié)點向量表達的社團發(fā)現(xiàn)模型
7．3．1 概述
7．3．2 基于節(jié)點向量表達的社團劃分算法
7．3．3 啟發(fā)式隨機游走
7．3．4 分布式節(jié)點表示向量生成
7．3．5 聚類算法
7．3．6 CDNEV算法
7．3．7 實驗與分析
7．4 基于NCSS的社團發(fā)現(xiàn)混合模型
7．4．1 概述
7．4．2 NCSS算法
7．4．3 實驗與分析
7．5 小結
本章參考文獻
第8章 研究總結
……