CN113157993A - 一种基于时序图极化分析的网络水军行为预警模型 - Google Patents

Abstract

本发明为一种基于时序图极化分析的网络水军行为预警模型，公开了一种基于时序网络极化分析的网络水军行为的预警模型，①收集社交媒体用户的发帖和互动数据，并对收集到的文字信息进行文本预处理。②在预处理之后的社交网络文字数据上进行话题检测，并对每一个话题下的内容进行正、负、中立的情感分类。③对情感分类之后的数据按照时间进行切分，获取由一系列网络快照组成的时序网络。每张快照上的节点代表用户，连边表示用户观点是否契合。④对每一张网络快照进行极化分析，获取每一张快照的舆论极化向量。⑤对比临近快照的舆论计划向量，判断是否存在网络水军行为，并及时做出预警。

Description

一种基于时序图极化分析的网络水军行为预警模型

技术领域

本发明属于网络安全领域，更为具体地讲，涉及一种基于时序神经网络的网络水军行为预警方法。

背景技术

随着互联网的发展，社交媒体用户剧增，网络安全变得至关重要。网络水军是随着互联网社交媒体而兴起的一种恶意引领舆论方向的异常团体。他们伪装成正常用户，活跃在电子商务网站、论坛、微博等社交媒体平台中。大批量的水军在网络中针对指定内容发表、评论、转发特定内容，以达到快速传播和影响正常用户判断的目的。网络水军以获利为目的，发表大量有目的甚至不实的言论，对其他用户造成了严重的影响。现有的社交网络水军检测模型，多通过结合用户特征和发帖特征判断单个用户是不是水军。该类模型认为，粉丝数量少，与其他用户互动较少的用户可信度较低，如果其发帖特征符合间隔短、话题密集等特征，则将该用户判定为网络水军。为了减少网络水军造成的负面影响，本发明内容提出了一种基于时序图极化分析的网络水军行为预警模型。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于时序图极化分析的网络水军行为预警模型，以实现对网络实体异常行为的提前预警。

为实现上述发明目的，本发明所述的基于时序图极化分析的网络水军行为预警模型，其特征在于，包括以下步骤：

(1)、收集目标社交网络目标时间段内的用户发帖内容，点赞、转发行为，好友关系等信息；

(2)、预处理用户发帖的文本信息，使用基于情感字典的情感分类模型对预处理后的信息进行情感分析，分为赞同、反对、中立三种；

(3)、按照一定的时间粒度将收集到的信息划分为多个时间段，对每个时间段，通过判断不同用户发帖、评论、转发的情感取向是否相同，将该时间段内涉及到的用户建模成一个网络图；

(4)、按照时间顺序，对每一张网络图进行舆论极化分析，获取每一张网络图的舆论极化结果；

(5)、按时间顺序，对每一张网络图的舆论极化结果进行对比，判断是否存在网络水军行为，以及网络水军存在可能性的大小，如果出现水军的可能性超过一定阈值，对可能发生的网络水军行为提前做出预警。

本发明内容是这样实现的。

本发明基于时序图极化分析的网络水军行为预警模型，通过持续收集社交媒体上用户的发帖和互动内容，然后进行时间分组，获取不同时间段的社交媒体用户的行为。之后，对每一段时间的用户行为进行情感分析，可以获得一系列网络快照，网络快照中节点代表用户，节点连边权重代表用户观点是否契合。然后对按照时间排序的网络快照进行舆论极化分析，判断网络中是否存在观点极化社团，通过对不同网络时间快照上舆论极化分析的结果，可以得到社交媒体上舆论的演化。通过判断舆论演化方式，可以判断是否存在网络水军的异常行为。若发现社交媒体舆论向水军方向演化的程度超过设定的阈值，就对社交媒体的水军行为做出预警。此外，本发明采用的网络舆论极化分析，可以通过计算网络的最大特征值实现，并将极化结果表征为一个只包含0,1,-1的向量，通过比较向量的演化，可以实现网络水军的发现和预警。

附图说明

图1是本发明基于时序网络极化分析的网络水军行为预警模型一种具体实施方式流程图；

图2是本发明中，话题检测示意图；

图3是本发明中，通过用户互动行为和文本情感分类，构建带权重网络快照的示意图；其中绿色权重代表社交媒体的好友信息，黑色权重代表评论与原话题舆论情感权重，橙色代表评论用户之间的舆论情感权重。

具体实施方式

下面结合附图对本发明的具体实施方式进行描述，以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是，在以下的描述中，当已知功能和设计的详细描述也许会淡化本发明的主要内容时，这些描述在这里将被忽略。

图1是本发明基于时序网络极化分析的网络水军行为预警模型一种具体实施方式流程图。

在本实施例中，如图1所示，本发明基于时序网络极化分析的网络水军行为预警模型包括以下步骤：

S1：收集一段时间的社交网络数据：

网络数据来源包括常见的社交网络，如：微博、微信、豆瓣、论坛数据等。

收集的数据包括社交网络用户发布和互动信息，如，发帖的文本数据，用户好友信息，点赞，转发，评论等信息。

以微博数据为例，收集一段时间微博内活跃用户的用户名，用户之间的好友信息，用户发微博的内容，对任意微博点赞的用户名，评论的文字内容和用户名等。

S2：对文字信息进行预处理：

在具体实施过程中，文本预处理可以利用开源的结巴分词进行处理。结巴分词的步骤包括删除停用词，关键词提取，词组提取，词性标注等，最终对文本进行分词处理。

S3：话题检测和文本情感分类：

在具体实施过程中，文本情感分类分为话题分类和基于话题的情感分类两个步骤。话题分类可以通过LDA主题模型实现，情感分类可以使用基于情感词典的文本情感分类模型实现。文本情感分类具体实施步骤为：

3.1)、记将每一条微博正文经过S2处理之后得到的文本数据记为d_i，收集到的所有的文本数据经过预处理之后构成一个集合D＝{d₁,d₂,…，d_n},。经过 LDA主题模型分类之后，如图2所示，D中的所有文本可以被分类成K个话题 T＝{T₁,T₂,…，T_k},用|T_i|表示话题i包含的文本的个数，每一个话题由对应的微博文本数据组成，表示为

3.2)对每个话题分别处理。以话题1为例，对话题1内的所有微博和该微博的所有的评论进行情感分类，得到原微博和所有评论针对该话题的情感分类：赞同、反对和中立。

实际操作中，情感分类可以用基于情感字典匹配的模型。如果文本数据中出现赞成等情感词汇，就被分类成对该话题赞同，反之被分类为反对或者中立。如图3所示，每个话题内部的文本之间的情感被分为1(赞成)，-1(反对)和 0(中立)三种。

S4：按照时间片切分信息，构成时序网络图：

在具体实施过程中，可以根据需求，按照一定的时间粒度将所有收集到的文本数据按照时间顺序进行分类，例如对所有数据按照每半小时、一小时进行分割得到T个时间段。分割后，将每个时间段内的数据构建成一张网络快照，记第i张快照为G_i。

构建网络快照G_i的步骤包括：

4.1)获取第i个时间段包含的所有文本数据对应的用户，将所有文本数据进行话题，分别对每个话题下的所有文本数据通过S3经过情感分类。

如图3中网络快照所示，对每一个话题对应的所有的微博和评论进行以下操作：

4.2)将所有的用户作为网络快照G_i的所有节点，将一条微博数据对应的用户，与评论该微博的用户进行连边，如果评论的情感分类为1，则该评论用户与原微博用户之间连边权重为1，反之如果评论的情感为-1，则该评论用户与原微博用户之间的连边权重为-1，反之为0。除此之外，随机采样一定百分比α的评论用户进行连边，若他们对原微博情感分类相同，则添加权重为1的连边，否则为-1，若两条评论情感分类均为0，则添加权重为0的连边。

4.3)随机采样一定百分比β的原微博用户进行连边。若原微博的情感分类相同(都是1或者-1)，则添加权重为1的连边，否则(1和-1)添加权重为-1的连边，若两条原微博情感分类其中一条分类为0，则添加权重为0的连边。

4.4)不局限于话题内部，一条根据获取的用户之前的好友信息，对所有是好友的用户之间，添加权重为1的连边。若此操作与前面的添加连边操作冲突，则添加权重为0的连边。

在具体实施过程中，可以根据微博数量和微博评论数量，调整α和β的数量。

将所有的网络快照按照时间进行排序，就得到了时序网络图G＝ {G₁,G₂,…，G_T}。

S5：极化分析，获得舆论极化向量：

针对S4获取的每一张网络快照，分别进行舆论极化分析。舆论极化分析的目的是判断该网络中是否存在两个社团，使得每一个社团内部存在尽可能多的权重为1的连边，社团之间存在尽可能多的权重为-1的连边。即判断网络中是否存在两个意见不统一的群体。

在本实例中，对第i张快照G_i进行舆论极化分析的具体方法为：

5.1)获取快照G_i的邻接矩阵A_i，其构造方法为，假设G_i中含有N_i个顶点，则构建一个N_i×N_i的全零矩阵，如果第p个节点和第q个节点存在连边，则给邻接矩阵的第(p,q)个元素赋值为这两个节点的连边权重。

5.2)计算矩阵A_i最大的特征值对应的特征向量v。

5.3)构建一个1×N_i的舆论极化向量xⁱ，对任意的j∈{1,2,…,N_i},取v的第 j个元素v_j的模长|v_j|为一个伯努利实验的成功概率，并进行一次伯努利实验：从 [0,1]之间以均匀概率分布采样一个值r_j。如果r_j>v_j，那么

反之

以下将舆论极化向量xⁱ成为第i张舆论快照。

5.4)构建一个1×N_i的话题指示向量

其中T_i是快照G_i中包含话题的个数。如果第J个节点属于第k个话题，那么

S6：对比临近快照，判断是否存在水军行为：

通过S5，我们可以获取第i张网络快照上的舆论极化向量xⁱ和话题指示向量 Iⁱ。

通过对比临近快照上的舆论极化向量，如果两张快照上，同一个话题的舆论极化变化超过一定阈值，认为在该话题上可能存在异常的网络水军。

在本实例中，通过比较连续两张快照在同一个话题下，舆论计划向量中1，0， -1三个元素比例分布的KL散度值，判断舆论极化情况是否发生了明显的变化。以快照G_i和G_i+1为例分析，具体操作步骤为：

6.1)取G_i和G_i+1对应的话题指示向量Iⁱ和Iⁱ⁺¹，选取同时存在于两个指示向量中的话题。

6.2)以共同话题t为例，提取话题k在话题指示向量Iⁱ中的索引，按照该索引从xⁱ中提取该话题下所有用户的舆论极化值。计算1，0，-1三个值的概率。记快照G_i中话题t的舆论分布为

同理可以计算快照G_i+1中话题 t的舆论分布

可以极化

和

之间的KL散度如下：

如果该散度值超过一定的阈值θ，则认为存在水军异常行为，并做出预警。

尽管上面对本发明说明性的具体实施方式进行了描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

Claims (12)

1.一种基于时序图极化分析的网络水军行为预警模型，其特征在于，包括以下步骤：

(1)、收集目标社交网络目标时间段内的用户发帖内容，点赞、转发行为，好友关系等信息；

(2)、预处理用户发帖的文本信息，使用基于情感字典的情感分类模型对预处理后的信息进行情感分析，分为赞同、反对、中立三种；

(3)、按照一定的时间粒度将收集到的信息划分为多个时间段，对每个时间段，通过判断不同用户发帖、评论、转发的情感取向是否相同，将该时间段内涉及到的用户建模成一个网络图；

(4)、按照时间顺序，对每一张网络图进行舆论极化分析，获取每一张网络图的舆论极化结果；

(5)、按时间顺序，对每一张网络图的舆论极化结果进行对比，判断是否存在网络水军行为，以及网络水军存在可能性的大小，如果出现水军的可能性超过一定阈值，对可能发生的网络水军行为提前做出预警。

2.如权利要求1所述的基于时序图极化分析的网络水军行为预警模型，其特征在于，采集相关的网络行为数据之后，还包括：

对采集到的目标网络和目标时间之内的行为数据进行存储。

3.如权利要求1所述的基于时序图极化分析的网络水军行为预警模型，其特征在于，通过分析网络舆情极化现象的演变，发现并提前预警网络水军的异常行为。

4.如权利要求1所述的基于时序图极化分析的网络水军行为预警模型，其特征在于，将一段时间的社交网络中的用户行为转化为一系列的网络快照。每一张快照包含一段时间内社交媒体用户的行为。

5.如权利要求1所述的基于时序图极化分析的网络水军行为预警模型，将网络中的舆情极化分析问题建模成计算矩阵谱分解的问题，并且能够快速求解。

6.如权利要求1所述的基于时序图极化分析的网络水军行为预警模型，其特征在于，若时序网络的舆情极化由双极化演化为单极化，说明网络中存在可能的水军大量转发相同内容，恶意删帖，引导舆论等行为。

7.如权利要求6所述的基于时序图极化分析的网络水军行为预警模型，其特征在于，当发现权利要求6所示的双极化像单极化演化开始发生，并且转化概率大于某特定阈值时，模型对网络水军行为提前做出预警。

8.如权利要求1所述的文字信息预处理，其特征在于，删除文本信息中的标点符号，对表情进行替换，删除停用词，并对文本信息进行分词处理。

9.如权利要求1所述的对文本信息进行情感情感分类，其特征在于，使用基于机器学习的情感分类算法，检测步骤包括建立语料库字典，情感词典匹配，依存句式分类、词向量表征，深度学习模型训练和检测的步骤。最终将用户发帖内容分类为赞同、反对和中立。

10.如权利要求1所述的将用户行为建模成网络，其特征在于，将社交媒体中的每一个账户视为网络中的一个节点，若该用户发帖收到其他用户的点赞或者赞同评论，则为这两个用户表示的节点添加权重为1的连边；如果该用户发帖收到其他用户的反对评论，则为这两个用户表示的节点添加权重为-1的连边，若评论为中立评论，则添加权重为0的连边；若用户发帖时带有相同的话题标签，而不存在任何点赞、评论、转发行为，则为两个用户进行概率为α的随机连边，若发帖内容情感分析类别相同，则添加权重为1的连边，否则添加权重为-1的连边。

11.如权利要求1所述的舆论极化快照，其特征在于，若一张网络图中存在两种互斥的观点，那么网络是极化的。该网络中存在两个观点不同社团，每个社团内存在大量权重为1的连边，而社团之间存在大量的权重为-1的连边。反之网络是非极化的，网络中用户观点不存在明显的不同，图中不存在前面所描述的社团。

12.如权利要求11所述的舆论极化快照的计算方法，其特征在于，对于一张权利要求10所述的网络图G，假设该图有N个节点，定义一个x为N维的极性指示向量。首先计算G的最大的特征值和特征向量v，v是N维向量。sgn()为符号函数。为了得到x的值，从1到N重复以下步骤

(1)取v_i为伯努利实验的成功概率；

(2)并进行一次伯努利实验，如果实验成功，x_i＝sgn(v_i),否则，x_i＝0.步骤结束之后，可以获得x的值，x_i＝0代表G中第i个节点为中立节点，x_i＝1代表对话题支持的节点，x_i＝-1代表反对节点。

Images