中文微博客的垃圾用戶檢測(cè)

李赫元，俞曉明，劉 悅，程學(xué)旗，程 工

（1.中國科學(xué)院 計(jì)算技術(shù)研究所，北京100190；2.中國科學(xué)院大學(xué)，北京100190；3.國家計(jì)算機(jī)網(wǎng)絡(luò)應(yīng)急技術(shù)處理協(xié)調(diào)中心，北京100029）

1 引言

微博客（簡稱微博）是一種基于用戶關(guān)系的信息分享、傳播與獲取平臺(tái)。近幾年，中文微博服務(wù)發(fā)展迅猛，截止2012年5月，新浪微博的注冊(cè)用戶已達(dá)3億、每日發(fā)布的消息量超過1億條［1］；騰訊微博的注冊(cè)用戶數(shù)也已超過4億。微博的出現(xiàn)不僅改變了信息的傳播方式，也改善了我們的生活質(zhì)量。然而，微博上卻充斥著炒作、營銷、謠言等不良信息，困擾著微博的健康發(fā)展。如何對(duì)垃圾用戶及其發(fā)布的垃圾消息進(jìn)行識(shí)別，已經(jīng)成為了亟待解決的問題。目前，相關(guān)研究工作主要集中在Twitter等英文微博中，中文微博與英文微博之間存在著一些較為顯著的差異。

（1）評(píng)論模式與提及

在Twitter中，轉(zhuǎn)發(fā)只顯示原作者。Twitter中的提及是用戶之間的直接交互。針對(duì)這一點(diǎn)，國外學(xué)者提出了基于提及關(guān)系的檢測(cè)方法。然而在中文微博中，轉(zhuǎn)發(fā)的同時(shí)可以提及（＠）原作者，使得兩者難以區(qū)分。因此，利用提及關(guān)系的檢測(cè)方法并不適用于中文微博。

（2）互粉行為

中文微博引入了“加V”“人氣用戶”等概念。為了提升自己的粉絲數(shù)量，新浪等微博中出現(xiàn)了大量的“互粉行為”，即主動(dòng)關(guān)注別人并要求對(duì)方也關(guān)注自己。這一具有中文微博特色的現(xiàn)象，將影響“用戶權(quán)威度”等在Twitter中有效的垃圾用戶檢測(cè)特征。

（3）對(duì)待垃圾用戶的態(tài)度

Twitter中，官方開設(shè)了“spam賬號(hào)”接受舉報(bào)。舉報(bào)信息公開、透明、便于采集，許多學(xué)者都選用舉報(bào)信息作為垃圾用戶的范本。中文微博客雖然提供了舉報(bào)功能，但信息是不公開的。因此，在中文微博客中我們無法自動(dòng)取得垃圾用戶的標(biāo)注信息。

本文以中文微博客為重點(diǎn)，探索垃圾用戶檢測(cè)方法。本文的創(chuàng)新之處在于：（1）關(guān)注中文微博中的“互粉”行為，并據(jù)此提出了新的用戶圖特征；（2）研究了注冊(cè)時(shí)間與垃圾用戶行為的關(guān)系，并據(jù)此提出了近期活躍度特征；（3）討論中文微博開放平臺(tái)中的應(yīng)用，提出了應(yīng)用來源黑、白名單特征。

本文余下的部分將如下安排：第2節(jié)討論國內(nèi)外的相關(guān)工作。第3節(jié)從用戶圖、用戶資料、微博內(nèi)容3個(gè)方面提出了7種新的檢測(cè)特征。第4節(jié)首先介紹了數(shù)據(jù)的采集、標(biāo)注，接著進(jìn)行了分類器的訓(xùn)練、實(shí)驗(yàn)。通過對(duì)實(shí)驗(yàn)結(jié)果的分析，驗(yàn)證了特征的有效性。第5節(jié)對(duì)本文工作進(jìn)行總結(jié)與展望。

2 相關(guān)工作

Grier［2］等研究了Twitter中包含URL的微博消息。統(tǒng)計(jì)表明，約8%的URL指向垃圾網(wǎng)頁。研究還對(duì)垃圾賬號(hào)進(jìn)行了研究。只有16%的垃圾賬號(hào)從注冊(cè)之初就在發(fā)布垃圾Tweet；余下84%的賬號(hào)均是被盜用的，其行為特征是，賬號(hào)注冊(cè)于很久之前并已經(jīng)被棄用，直到近期突然開始散布垃圾消息。

Wang［3］等將垃圾用戶的檢測(cè)轉(zhuǎn)化為機(jī)器學(xué)習(xí)的分類問題。該研究提出了5種檢測(cè)特征，“用戶權(quán)威度”、“重復(fù)Tweet率”、“含URL的Tweet比率”、“含提及（＠）的 Tweet比率”、“含話題（＃）的Tweet比率”。統(tǒng)計(jì)結(jié)果表明，垃圾用戶在上述各項(xiàng)指標(biāo)中都略區(qū)別于普通用戶，但多數(shù)特征不具有魯棒性。應(yīng)用上述特征構(gòu)造的樸素貝葉斯分類器可以達(dá)到91.7%的準(zhǔn)確率。

Song［4］等從社交關(guān)系網(wǎng)的角度研究了Twitter中的垃圾用戶。該研究提出了“用戶距離”和“用戶連通度”兩個(gè)特征：若兩個(gè)距離大于4的用戶之間相互“提及”，則可認(rèn)為是在傳播垃圾信息；在用戶距離相同的情況下，正常用戶之間的連通度要強(qiáng)于垃圾賬戶之間的連通度。利用上述兩個(gè)特征進(jìn)行檢測(cè)，可以達(dá)到94.6%的準(zhǔn)確率。如第1節(jié)所述，在中文微博中，提及和評(píng)論混在了一起，因此該檢測(cè)方法難以應(yīng)用于中文微博中。

在國內(nèi)的研究中，王宇［5］等人對(duì)新浪微博中的“僵尸粉”進(jìn)行了研究，總結(jié)出了“用戶微博數(shù)”“用戶是否包含簡介”等6種具有區(qū)分度的特征。其中“用戶昵稱可疑度”等特征需要借助人工識(shí)別。該研究同樣使用樸素貝葉斯算法訓(xùn)練分類器，準(zhǔn)確率達(dá)到了88%。

3 垃圾用戶檢測(cè)

3.1 檢測(cè)特征

本節(jié)將從用戶圖、用戶資料、微博內(nèi)容三個(gè)方面，提出垃圾用戶檢測(cè)特征。在討論相關(guān)研究中提出的5種檢測(cè)特征的基礎(chǔ)上，我們新提出了“純粉絲度”“黑名單應(yīng)用”“用戶用字多樣性”等7種新的檢測(cè)特征。

3.1.1 用戶圖特征

微博中，用戶的關(guān)系可以用有向圖表示：出度表示“關(guān)注”，入度表示“粉絲”（被關(guān)注）；若用戶彼此關(guān)注了對(duì)方，則稱為“互粉”（互為粉絲的簡稱）。以圖1為例，C關(guān)注了A，A關(guān)注了B；B和C互粉。A的粉絲是C；B的粉絲是A和C；C的粉絲是B。

圖1 “關(guān)注”“粉絲”和“互粉”

用戶權(quán)威度

在Wang等人的研究中［3］，定義了特征“用戶權(quán)威度”，見式（1）。Nfollow表示用戶u的粉絲數(shù)，Nfriend表示該用戶的關(guān)注數(shù)。若用戶既沒有粉絲也沒有關(guān)注，規(guī)定該用戶的權(quán)威度為0。

用戶關(guān)注度

為了探討垃圾用戶、普通用戶在主動(dòng)關(guān)注方面有無差異，我們提出了“用戶關(guān)注度”特征，如式（2）所示。Nfollow是用戶的粉絲數(shù)，Nfriend是用戶的關(guān)注數(shù)。直觀地分析：垃圾用戶會(huì)大量的關(guān)注別人，卻很少得到別人的關(guān)注，因而該特征偏高。

純粉絲度

在中文微博中，用戶之間的“互粉”可以提高雙方的粉絲數(shù)，也會(huì)干擾“用戶權(quán)威度”特征的區(qū)分度。為了避免這種情況，我們定義了純粉絲度，見式（3）。Nfollow依然表示用戶u的粉絲數(shù)；分子部分為去除了互粉用戶之后的“純粉絲數(shù)”。該特征描述了粉絲質(zhì)量。

3.1.2 用戶資料特征

在王宇等人的研究中［5］，提出了“用戶簡介”“微博域名”特征。本節(jié)將提出“用戶頭像特征”“近期活躍度”兩個(gè)新的特征。

用戶頭像特征

在本研究中，我們對(duì)用戶頭像的圖片進(jìn)行了采集，并提出了“用戶頭像”特征，它識(shí)別用戶是否使用了默認(rèn)頭像。若為默認(rèn)頭像，g（u）＝0；若上傳了頭像，g（u）＝1。

近期活躍度

用新賬號(hào)發(fā)布垃圾信息很容易被識(shí)破。因此，垃圾用戶更傾向于使用注冊(cè)時(shí)間較長的“沉睡賬號(hào)”散播垃圾信息。我們定義了“近期活躍度”指標(biāo)，見式（5）。NDuringDays是用戶最近100條消息跨越的天數(shù)。NCreateDays是截止采集當(dāng)天，用戶賬號(hào)已存活的天數(shù)（注冊(cè)天數(shù)）。對(duì)于突然活躍的沉睡賬號(hào)，上述特征值會(huì)偏高；而對(duì)于一直活躍或已經(jīng)很久不活躍的正常用戶而言，這一特征值較低。

3.1.3 微博內(nèi)容特征

基于內(nèi)容過濾的技術(shù)在反垃圾郵件等領(lǐng)域取得了很好的效果。然而，這類方法需要大量的訓(xùn)練數(shù)據(jù)和標(biāo)注樣本。在國外的研究中，主要從“微博中是否含URL”“微博是否大量重復(fù)”兩個(gè)方面考慮內(nèi)容特征。本節(jié)結(jié)合了中文微博客的特點(diǎn)，提出了“用字多樣性”、“白名單應(yīng)用率”、“黑名單應(yīng)用率”三個(gè)新的檢測(cè)特征。

不含URL微博比例

由于微博消息的長度限定在140字以內(nèi)，垃圾用戶通常會(huì)選用“在微博中附加鏈接”的方式推廣垃圾信息?；诖?，Benevenuto［6］等提出了“不含URL微博比”這一特征，如式（6）所示。NAll是用戶發(fā)布的微博數(shù)量，NNoURL是在所發(fā)微博中不含有URL的數(shù)量。

應(yīng)用來源的白名單率和黑名單率

中文微博客推出了開放平臺(tái)，提供了豐富多彩的應(yīng)用，它們具有獲取微博、發(fā)送微博、關(guān)注等操作權(quán)限。通過開放應(yīng)用發(fā)布微博時(shí)，應(yīng)用名稱會(huì)顯示在“消息來源”字段中。借助這一字段，我們對(duì)開放應(yīng)用進(jìn)行了研究，分為如下三類。

（1）黑名單應(yīng)用

為了降低維護(hù)成本、垃圾制造者會(huì)使用“皮皮時(shí)光機(jī)”等開放應(yīng)用管理微博。在采集數(shù)據(jù)中，我們選取垃圾用戶使用最多的30個(gè)應(yīng)用作為黑名單。當(dāng)然，使用黑名單發(fā)送的微博不一定都是垃圾信息，例如，很多用戶會(huì)選用“皮皮時(shí)光機(jī)”定期地轉(zhuǎn)發(fā)熱門微博。

隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，越來越多的用戶使用手機(jī)客戶端發(fā)微博。但對(duì)垃圾用戶而言，用手機(jī)客戶端管理數(shù)百個(gè)賬號(hào)的成本過大。因此，我們將手機(jī)客戶端定義為白名單應(yīng)用。

（3）其他應(yīng)用

并非全部的開放應(yīng)用都符合上述兩種分類。如“微博桌面”等應(yīng)用，正常用戶使用它們來發(fā)微博，垃圾用戶通過“模擬點(diǎn)擊”的方式操控賬號(hào)。由于其不具有明顯區(qū)分度，我們?cè)谔卣餮芯恐胁皇褂眠@類應(yīng)用。

在如上所述的分類基礎(chǔ)上，我們定義了“白名單率”“黑名單率”兩個(gè)特征：

NAll是用戶u發(fā)布的微博總數(shù)。NWhiteList是通過白名單發(fā)送的微博總數(shù)，NBlackList是通過黑名單發(fā)送的微博總數(shù)。根據(jù)預(yù)期，垃圾用戶具有較高的黑名單率和較低的白名單率。

微博相似度

在Wang的研究中［3］，使用了編輯距離計(jì)算微博的重復(fù)度，并以此作為檢測(cè)特征。但在中文微博中，用戶很少發(fā)布重復(fù)消息。我們應(yīng)用余弦距離計(jì)算用戶微博相似度，如式（9）所示。該特征計(jì)算了用戶u所發(fā)布的n條微博之間的余弦相似度均值。

微博用字多樣性

老佛爺何等人物，一聽就火大了，一個(gè)江湖人物還敢如此擺架子？幸虧太監(jiān)建議，說程廷華是孝子，他母親馬上七十大壽了，不如在他母親身上做點(diǎn)文章。于是慈禧就派人做了一塊大匾，書“節(jié)孝可風(fēng)”四個(gè)字，刻太后金印，由宮里派人，宮寶田帶隊(duì)，吹吹打打給程廷華的母親送了過去，聲勢(shì)把半個(gè)北京城都轟動(dòng)了。

為了研究正常用戶與垃圾用戶在微博消息的用詞（字）上有無差異，我們定義了用字多樣性這個(gè)特征，見式（10）。由于微博消息具有長度短、用詞不規(guī)范等特點(diǎn)，我們以字為最小分割單位，并在處理前刪除消息中的URL鏈接。

假設(shè)用戶u一共發(fā)了n條微博，每條消息的長度記為leni，則全部消息的總長度為同時(shí)，統(tǒng)計(jì)這些消息中非重復(fù)的單字?jǐn)?shù)，記為cntd。

分類器與檢測(cè)

垃圾用戶的檢測(cè)問題，可以視為一個(gè)分類（Classification）問題。假設(shè)微博用戶的全集為U，類別集合C＝｛Cspam，Cnormal｝，Cspam表示垃圾用戶、Cnormal表示正常用戶。垃圾用戶的檢測(cè)問題，即為求一個(gè)分類函數(shù)F，將U中的微博用戶影射到類別C上。

上述影射函數(shù)F即代表了一個(gè)分類器，它可由機(jī)器學(xué)習(xí)算法習(xí)得。在本研究中，選用支持向量機(jī)（SVM）算法，它是一種有監(jiān)督的機(jī)器學(xué)習(xí)算法，可以解決分類、回歸等問題。對(duì)于分類問題，SVM通過預(yù)定義核函數(shù)的非線性變換，將輸入空間變換到一個(gè)高維空間，在后者中求廣義的最優(yōu)分類面［7］。常用的核函數(shù)主要有三種：多項(xiàng)式函數(shù)（Polynomial）、徑向基函數(shù)（Radial Basis Function）和Sigmoid函數(shù)。

基于SVM分類器的垃圾用戶檢測(cè)流程如圖2所示。

圖2 垃圾用戶檢測(cè)流程

檢測(cè)可分為“訓(xùn)練”“分類”兩個(gè)階段。在訓(xùn)練階段，我們對(duì)采集的微博用戶數(shù)據(jù)進(jìn)行標(biāo)注，提取3.1節(jié)所述的檢測(cè)特征。接著，用SVM訓(xùn)練分類器并對(duì)其效果進(jìn)行評(píng)價(jià)，如有必要，將選擇新的特征（集）并重新訓(xùn)練分類器。在檢測(cè)階段，提取待檢測(cè)用戶的特征，并使用訓(xùn)練階段得到的SVM分類器進(jìn)行分類，分類結(jié)果（Cspam或Cnormal）即為檢測(cè)結(jié)果。

4 實(shí)驗(yàn)與分析

4.1 數(shù)據(jù)的采集與標(biāo)注

我們使用OAuth2和API開發(fā)了新浪微博采集器，它的首要任務(wù)是搜集一些用戶樣本。微博的API提供了“public＿timeline”接口，它會(huì)隨機(jī)返回最新發(fā)言的20個(gè)用戶及其微博信息。我們使用該接口，于2011年12月20日進(jìn)行了用戶數(shù)據(jù)的采集。經(jīng)過去重處理后，共包含145 317個(gè)微博用戶、1 522 092條微博。

上述采集只能獲取部分活躍用戶的最新微博信息，卻并不包含用戶的全部消息。此外，如3.1節(jié)所述，用戶的表現(xiàn)行為與其注冊(cè)時(shí)間有一定關(guān)聯(lián)。為此，我們?cè)?012年6月23日進(jìn)行了二次采集。本次我們使用“user＿timeline”接口，它根據(jù)第一次采集的用戶ID，獲取用戶頭像等資料、粉絲數(shù)等信息，并抓取用戶最新發(fā)布的100條微博。本輪采集后，共包含125 683個(gè)有效用戶、4 657 811條微博（新浪會(huì)定期清理垃圾賬號(hào)，導(dǎo)致用戶數(shù)減少）。

為了將二次采集的數(shù)據(jù)用于分類器，隨機(jī)抽取了3 000個(gè)用戶作為實(shí)驗(yàn)的數(shù)據(jù)集。為了獲取客觀、準(zhǔn)確的標(biāo)注結(jié)果，開發(fā)了標(biāo)注平臺(tái)，并邀請(qǐng)3位評(píng)價(jià)者對(duì)實(shí)驗(yàn)進(jìn)行隨機(jī)、交叉標(biāo)注。標(biāo)注遵循如下標(biāo)準(zhǔn)。

1）垃圾用戶

標(biāo)注值為－1，其行為特征為：轉(zhuǎn)發(fā)大量廣告、炒作消息；發(fā)布的微博具有明顯的商業(yè)意圖（如商品推介）；發(fā)送或轉(zhuǎn)發(fā)大量低質(zhì)微博（如心靈雞湯）。

2）正常用戶

標(biāo)注值為1，其行為特征為：發(fā)布較為貼近生活的微博（如聚會(huì)、心情等）；在轉(zhuǎn)發(fā)微博時(shí)，包含了個(gè)人的見解、評(píng)價(jià)（轉(zhuǎn)發(fā)加評(píng)論）；與他人存在較為真實(shí)的互動(dòng)（如相互＠、評(píng)論）。

3）不確定用戶

標(biāo)注值為0，若評(píng)價(jià)者認(rèn)為賬號(hào)難以區(qū)分，可將其標(biāo)注為“不確定用戶”。該類用戶可能同時(shí)具有垃圾用戶、正常用戶的部分行為。

在標(biāo)注者完成標(biāo)注后，我們對(duì)數(shù)據(jù)進(jìn)行了篩選與清理：首先，選擇出至少2位評(píng)價(jià)者給出一致標(biāo)注值的用戶賬號(hào)；其次，去除標(biāo)注結(jié)果為“不確定”的賬號(hào)。經(jīng)過上述處理后，共剩余2 471個(gè)用戶，本研究使用它們作為訓(xùn)練、測(cè)試數(shù)據(jù)。

4.2 實(shí)驗(yàn)結(jié)果

本研究使用LIBSVM［8］軟件訓(xùn)練分類器。在效果的評(píng)價(jià)方面，選用準(zhǔn)確率（Accuracy）、召回率（Recall）和F值。為了說明指標(biāo)在本研究中的意義，考慮如表1所示的混淆矩陣。

表1 混淆矩陣

其中，準(zhǔn)確率（Accuracy）描述了分類器將垃圾用戶、正常用戶正常分類的百分比。

召回率（Recall）表明了檢測(cè)出的垃圾用戶中，真實(shí)垃圾用戶的百分比。

F值則綜合考慮了準(zhǔn)確率和召回率。

在明確了指標(biāo)之后，我們從標(biāo)注數(shù)據(jù)集上提取出第3節(jié)提出的各種特征，并采用10折交叉驗(yàn)證的策略，對(duì)分類器進(jìn)行訓(xùn)練、驗(yàn)證。表2記錄了兩組實(shí)驗(yàn)結(jié)果：F＿ALL和F＿OPTIMAL。

表2 分類器實(shí)驗(yàn)結(jié)果

在第一組實(shí)驗(yàn)，F(xiàn)＿ALL中，我們選擇了第3節(jié)提出的全部12個(gè)特征訓(xùn)練分類器。實(shí)驗(yàn)結(jié)果如表2第1行所示：分類器的準(zhǔn)確率達(dá)到93.46%，召回率為97.64%。

在進(jìn)行該實(shí)驗(yàn)的過程中，我們發(fā)現(xiàn)部分特征具有“負(fù)效果”，會(huì)降低分類器的準(zhǔn)確率。為了找出最優(yōu)的特征組合，我們使用Wrapper［9］策略對(duì)12種特征進(jìn)行選擇：首先，求出特征組合的冪集，它共包含212＋1＝8 192個(gè)特征組合；其次，使用上述每一種特征組合訓(xùn)練分類器，對(duì)用戶進(jìn)行檢測(cè)，計(jì)算分類結(jié)果的F值；最后，選出F值最高的特征組合，作為最優(yōu)特征組合。最優(yōu)組合共包含7個(gè)特征，如表3第1列所示。

為了驗(yàn)證最優(yōu)組合中不同特征的貢獻(xiàn)，我們單獨(dú)使用每一特征訓(xùn)練分類器，并計(jì)算其F值，如表3第2列所示。從表中不難發(fā)現(xiàn)：應(yīng)用黑名單率、純粉絲度等本文提出的特征排名較為靠前，說明其具有較好的區(qū)分度。

在上述研究的基礎(chǔ)上，我們進(jìn)行了第二組實(shí)驗(yàn)。使用如表3所述的最優(yōu)特征組合作為特征集合，訓(xùn)練、測(cè)試分類器。實(shí)驗(yàn)結(jié)果見表2的第2行，F(xiàn)＿OPTIMAL。與第一組實(shí)驗(yàn)對(duì)比，準(zhǔn)確率提升到了94.4%，召回率為97.71%。

表3 最優(yōu)特征組合

在3.1.2節(jié)，我們提出了“用戶頭像特征”，但在最特征優(yōu)組合中卻不包含該特征。相反，前人提出的“簡介”“微博域名”等特征卻具有較好的效果。為此，我們對(duì)這三種特征進(jìn)行了統(tǒng)計(jì)研究，結(jié)果如圖3所示。在全部測(cè)試數(shù)據(jù)中，只有約3%的用戶使用了默認(rèn)頭像，特征數(shù)據(jù)的不均衡導(dǎo)致它失去了應(yīng)有的區(qū)分度。相反地，“簡介”“微博域名”等特征的分布相對(duì)均衡，具有一定的區(qū)分度。

圖3 用戶資料特征的統(tǒng)計(jì)特征

4.3 特征分析

用戶圖特征

由4.2節(jié)實(shí)驗(yàn)可知，本文提出的“純粉絲度”比前人提出的“用戶權(quán)威度”更能顯著區(qū)分垃圾用戶。在中文微博中，許多用戶選擇了“互粉”“刷粉”等不正當(dāng)手段來提高自身人氣。純粉絲度能很好地過濾掉“互粉”導(dǎo)致的“假人氣”，因而具有更好的區(qū)分度。另一方面，為了更好地偽裝自己，垃圾賬號(hào)之間往往會(huì)互粉，形成錯(cuò)綜復(fù)雜的關(guān)系網(wǎng)，造成受到高度關(guān)注的假象。因此，本文提出的“用戶關(guān)注度”特征并沒有取得預(yù)期的效果。

用戶資料特征

本文提出的“近期活躍度”特征效果良好。垃圾用戶的確會(huì)使用早期注冊(cè)的“沉睡賬號(hào)”發(fā)布垃圾消息。而本文提出的“用戶頭像”特征效果不佳。如4.2節(jié)所述，用戶頭像的分布極不均勻，致使該特征很難表現(xiàn)出應(yīng)有的區(qū)分度。

微博內(nèi)容特征

本文提出的“應(yīng)用白名單率”“應(yīng)用黑名單率”均具有很好的區(qū)分度。首先，手機(jī)客戶端的應(yīng)用門檻和管理成本阻礙了垃圾用戶。其次，確實(shí)有大量的垃圾微博是通過黑名單中的應(yīng)用傳播的。此外，傳統(tǒng)的“微博相似度”效果不佳。本文提出的“微博用字多樣性”考慮了用戶的微博用詞習(xí)慣，取得了較好的效果：正常用戶的微博話題廣泛、用詞隨意，多樣性較高；垃圾用戶傳播的信息較為單一，用詞單調(diào)。

5 總結(jié)和展望

本文研究了中文微博客中垃圾用戶的檢測(cè)問題。研究從用戶圖、用戶資料、微博內(nèi)容三個(gè)方面提出了7種新的垃圾用戶檢測(cè)特征。利用上述特征訓(xùn)練的SVM分類器，取得了較好的準(zhǔn)確率和召回率。實(shí)驗(yàn)表明，本文提出的“純粉絲度”“用戶近期活躍度”等5個(gè)特征具有良好的區(qū)分效果。

在實(shí)驗(yàn)與研究中，我們也遇到了一些問題：（1）對(duì)采集數(shù)據(jù)的標(biāo)注依靠人工判別，工作量巨大。有必要尋找一種更好的實(shí)驗(yàn)數(shù)據(jù)標(biāo)注方法。（2）在本文中，垃圾用戶分類器的召回率較為理想，但分類器的準(zhǔn)確率只有94%，仍有一定上升空間。我們將在未來的工作中對(duì)上述問題進(jìn)行更為深入的探索與研究。

［1］新浪科技.新浪微博用戶數(shù)超3億 ［EB／OL］.2012－05－16.http：／／is.gd／Qfn4Z9.

［2］Grier C，Thomas K，Paxson V，et al.＠spam：The Underground on 140Characters or Less ［C］／／Proceedings of the 17th ACM Conference on Computer and Communications Security （CCS 2010）.New York，US，2010：27－37.

［3］Wang A.Don't follow me：Spam detection in Twitter［C］／／Proceedings of the International Conference on Security and Cryptography.Athens，Greece，2011：142－151.

［4］Song J，Lee S，Kim J.Spam Filtering in Twitter Using Sender－ReceiverRelationship ［M］.Berlin，German：Springer，2006：301－317.

［5］王宇，陸余良，郭浩，等.中文微博僵尸粉檢測(cè)技術(shù)研究［C］／／中國自動(dòng)化學(xué)會(huì).第三屆全國社會(huì)計(jì)算會(huì)議、平行控制會(huì)議、平行管理會(huì)議論文集.北京：中國自動(dòng)化學(xué)會(huì)，2011.

［6］Benevenuto F，Magno G，Rodrigues T，et al.Detecting Spammers on Twitter［C］／／Proceedings of Seventhannual Collaboration，Electronic Messaging，Anti－Abuseand Spam Conference（CEAS 2010）.Redmond，US，2010.

［7］張學(xué)工.關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量［J］.自動(dòng)化學(xué)報(bào)，2001，26（1）：32－41.

［8］Chang C.LIBSVM—A Library for Support Vector Machines ［EB／OL］.2006－2012.http：／／is.gd／rocwn9.

［9］Guyon I，Gunn S，Nikravesh M.Feature extraction，foundations and applications［M］.Berlin，German：Springer，2006：188－191.