[发明专利]网络水军的检测方法及装置

权利要求书

1.一种网络水军的检测方法，其特征在于，包括：

步骤一，将原始的用户描述信息表示为归一化的用户描述向量，从所述用户描述向量中筛选出已分类数据，将该已分类数据的a%作为深度信念网络DBN模型的训练数据，将该已分类数据的b%作为DBN模型的检测数据，a大于b，且a与b之和等于100，所述用户描述信息的类型由用户预先选定，所述已分类用户数据指已经被标记为是否网络水军的用户数据；

步骤二，用所述训练数据训练DBN模型，输出训练得到的DBN模型，将该输出的DBN模型称为输出DBN模型；

步骤三，检验所述输出DBN模型的收敛性和判定准确率，根据检验结果调整所述步骤一和步骤二中的相关参数，直至所述输出DBN模型达到预设收敛条件或终止条件，其中，所述判定准确率通过采用所述检测数据检测所述输出DBN模型而得到；

步骤四，使用最终DBN模型对网络水军进行检测，所述最终DBN模型是指达到所述预设收敛条件或终止条件的输出DBN模型。

2.根据权利要求1所述的网络水军的检测方法，其特征在于，a的初始值为60。

3.根据权利要求2所述的网络水军的检测方法，其特征在于，依据步骤二所得到的DBN模型的收敛性和判定准确率是否达到预期要求调整a的值。

4.根据权利要求1所述的网络水军的检测方法，其特征在于，步骤二中，所述DBN模型的训练过程包括模型预训练过程和模型微调过程，所述模型预训练过程采用Downpour SGD算法进行并行RBM训练，所述模型微调过程采用MapReduce算法进行并行PSO-BP神经网络训练。

5.根据权利要求1所述的网络水军的检测方法，其特征在于，所述用户描述信息包括注册时长、登录频率、在线时长、用户名长度、密码长度、发帖比例、回帖比例、相对浏览帖子时间、相对发帖时间、粉丝数和关注数。

6.一种网络水军的检测装置，其特征在于，包括用户数据预处理模块、DBN模型训练模块、协同模块和检测模块，DBN模型训练模块分别与用户数据预处理模块、协同模块和检测模块相连，协同模块还与用户数据预处理模块相连，其中：

用户数据预处理模块，用于将原始的用户描述信息表示为归一化的用户描述向量，从所述用户描述向量中筛选出已分类数据，将该已分类数据的a%作为深度信念网络DBN模型的训练数据，将该已分类数据的b%作为DBN模型的检测数据，a大于b，且a与b之和等于100，所述用户描述信息的类型由用户预先选定，所述已分类用户数据指已经被标记为是否网络水军的用户数据；

DBN模型训练模块，用于用所述训练数据训练DBN模型，输出训练得到的DBN模型，将该输出的DBN模型称为输出DBN模型；

协同模块，用于检验所述输出DBN模型的收敛性和判定准确率，根据检验结果调整所述步骤一和步骤二中的相关参数，直至所述输出DBN模型达到预设收敛条件或终止条件，其中，所述判定准确率通过采用所述检测数据检测所述输出DBN模型而得到；

检测模块，用于使用最终DBN模型对网络水军进行检测，所述最终DBN模型是指达到所述预设收敛条件或终止条件的输出DBN模型。

7.根据权利要求6所述的网络水军的检测装置，其特征在于，a的初始值为60。

8.根据权利要求7所述的网络水军的检测装置，其特征在于，依据DBN模型训练模块所得到的DBN模型的收敛性和判定准确率是否达到预期要求调整a的值。

9.根据权利要求6所述的网络水军的检测装置，其特征在于，所述DBN模型的训练过程包括模型预训练过程和模型微调过程，所述DBN模型训练模块包括预训练单元和微调单元，所述预训练单元用于采用Downpour SGD算法进行并行RBM训练，所述微调单元用于采用MapReduce算法进行并行PSO-BP神经网络训练。

10.根据权利要求6所述的网络水军的检测装置，其特征在于，所述用户描述信息包括注册时长、登录频率、在线时长、用户名长度、密码长度、发帖比例、回帖比例、相对浏览帖子时间、相对发帖时间、粉丝数和关注数。