基于PSO-SVM的網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別?

馬曉寧 王 婷 董松月

（中國民航大學(xué) 天津 300300）

1 引言

網(wǎng)絡(luò)輿情是指一定社會(huì)群體在一定時(shí)間內(nèi)，對(duì)某種事件的看法，是網(wǎng)民對(duì)社會(huì)輿論情況的反映。隨著互聯(lián)網(wǎng)的快速發(fā)展，網(wǎng)民通過網(wǎng)絡(luò)平臺(tái)發(fā)表自己的見解和看法越來越普遍。由于網(wǎng)絡(luò)具有虛擬性和開放性，導(dǎo)致網(wǎng)民在工作、生活中遇到不快，均可以通過網(wǎng)絡(luò)進(jìn)行宣泄，網(wǎng)絡(luò)上的負(fù)面言論對(duì)社會(huì)穩(wěn)定會(huì)產(chǎn)生不利影響［1］。加之用戶的評(píng)論沒有質(zhì)量控制機(jī)制，網(wǎng)民可以在互聯(lián)網(wǎng)上發(fā)布任何觀點(diǎn)甚至包括惡意的言論，從而導(dǎo)致網(wǎng)民生成的評(píng)論中存在許多噪聲或者虛假的垃圾［2］內(nèi)容，例如商家可以雇傭“水軍”（寫手）為自己歌功頌德、對(duì)競(jìng)爭(zhēng)對(duì)手口誅筆伐。最早對(duì)垃圾評(píng)論的定義是出現(xiàn)在文獻(xiàn)［13］中，而且應(yīng)用的場(chǎng)景是在商品評(píng)論中，文獻(xiàn)中的定義是垃圾評(píng)論指的是那些為了促銷某種商品而給出一些與實(shí)際不相符的積極的評(píng)論，或者是為了詆毀某種商品或品牌而給出一些虛假的負(fù)面評(píng)論，試圖故意誤導(dǎo)閱讀的人或自動(dòng)的數(shù)據(jù)挖掘和情感分析系統(tǒng)的“不合法”的活動(dòng)。本論文將垃圾評(píng)論應(yīng)用于網(wǎng)絡(luò)輿情領(lǐng)域中，網(wǎng)民生成的垃圾評(píng)論的目的大致可能是為了宣泄或者是針對(duì)政府，還有的評(píng)論可能是由懷有惡意的和情緒失控的人所寫［4］。因此，這在很大程度上影響了用戶對(duì)某個(gè)話題的看法，不僅對(duì)輿論的導(dǎo)向產(chǎn)生無法逆轉(zhuǎn)的影響，而且影響輿情監(jiān)管部門對(duì)輿情的處置，使其不能夠做出正確的輿論引導(dǎo)和正確的輿情分析。所以，清除網(wǎng)絡(luò)垃圾，凈化網(wǎng)絡(luò)環(huán)境，為人們提供一個(gè)真實(shí)可信的信息平臺(tái)是必要的。

國內(nèi)外學(xué)者對(duì)垃圾網(wǎng)頁和垃圾郵件的研究非常廣泛，但是對(duì)垃圾觀點(diǎn)的識(shí)別研究相對(duì)較少。而且大多數(shù)對(duì)垃圾觀點(diǎn)的識(shí)別主要集中在產(chǎn)品評(píng)論［5］、互聯(lián)網(wǎng)銷售等［11～12］領(lǐng)域，對(duì)網(wǎng)絡(luò)輿情領(lǐng)域的垃圾觀點(diǎn)的識(shí)別研究幾乎沒有。因此如何從海量的網(wǎng)絡(luò)輿情觀點(diǎn)中有效地識(shí)別出不真實(shí)的、垃圾的評(píng)論，是一個(gè)亟待解決的課題。

為了有效識(shí)別網(wǎng)絡(luò)輿情垃圾觀點(diǎn)，本文首先對(duì)網(wǎng)絡(luò)輿情垃圾觀點(diǎn)進(jìn)行詳細(xì)的界定，同時(shí)設(shè)計(jì)和采用粒子群優(yōu)化的支持向量機(jī)模型［6～7］對(duì)評(píng)論進(jìn)行識(shí)別，并且和未被優(yōu)化的支持向量機(jī)模型進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明本文所提出的識(shí)別模型能對(duì)輿情垃圾觀點(diǎn)進(jìn)行有效的識(shí)別。此外，將界定垃圾觀點(diǎn)的特征多少和不同特征對(duì)垃圾觀點(diǎn)識(shí)別的影響進(jìn)行了分析，并通過實(shí)驗(yàn)說明選擇合適的特征對(duì)于垃圾觀點(diǎn)識(shí)別的重要性。

2 網(wǎng)絡(luò)輿情垃圾觀點(diǎn)的獲取和界定［13～20］

對(duì)網(wǎng)絡(luò)輿情垃圾觀點(diǎn)的識(shí)別，最主要的是界定什么類型的評(píng)論屬于垃圾，不真實(shí)的。而盡可能正確地界定垃圾觀點(diǎn)對(duì)隨后的識(shí)別模型效果有直接的影響。本論文中的垃圾觀點(diǎn)特征的界定是在借鑒了文獻(xiàn)［2］、［3］和［13］基礎(chǔ)上，結(jié)合和研究了微博上關(guān)于網(wǎng)絡(luò)輿情事件中網(wǎng)民評(píng)論的特點(diǎn)，總結(jié)出將以下六個(gè)特征作為網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別的特征，因此含有這六個(gè)特征的評(píng)論即界定為垃圾觀點(diǎn)，這六個(gè)特征如下：

1）評(píng)論者是否匿名：多數(shù)情況下，非匿名評(píng)論比匿名評(píng)論真實(shí)性強(qiáng)，可信度更高。蓄意誤導(dǎo)價(jià)值觀，或具有反社會(huì)傾向的評(píng)論者，以引導(dǎo)輿論，擾亂社會(huì)為目的，通常會(huì)隱藏身份，選擇匿名的可能性較大。

2）評(píng)論是否重復(fù)出現(xiàn)：普通評(píng)論者發(fā)表評(píng)論目的較單純，重在表達(dá)意見，抒發(fā)情感。而發(fā)布垃圾信息的評(píng)論者，其重點(diǎn)在于誤導(dǎo)民眾情感，以達(dá)到引導(dǎo)輿論的目的，在這一前提下，通常認(rèn)為虛假評(píng)論者希望盡可能擴(kuò)大網(wǎng)絡(luò)影響力，在微博中重復(fù)發(fā)表十分相似的評(píng)論，尤其是重復(fù)評(píng)論，因此本文認(rèn)為，重復(fù)出現(xiàn)的評(píng)論可以作為識(shí)別垃圾評(píng)論的重要特征。

3）評(píng)論中是否出現(xiàn)主要評(píng)論對(duì)象的名稱：經(jīng)過對(duì)大量評(píng)論的統(tǒng)計(jì)分析，垃圾評(píng)論通常針對(duì)國家、政府或非政府機(jī)構(gòu)，在引導(dǎo)民眾對(duì)它們產(chǎn)生負(fù)面情感的過程中，評(píng)論者會(huì)忽略評(píng)論對(duì)象本身。例如馬航事件中，評(píng)論者會(huì)忽略“馬航”而著重強(qiáng)調(diào)政府詞匯。

4）評(píng)論中正面情感詞出現(xiàn)次數(shù)/評(píng)論中所有情感詞出現(xiàn)次數(shù)：一些垃圾評(píng)論制造者可能會(huì)使用情感詞來過分贊揚(yáng)或者詆毀某一事件。因此，如果一條評(píng)論含有多個(gè)情感傾向較大的詞匯，則該評(píng)論作為垃圾評(píng)論的可能性就比較大。

5）評(píng)論中負(fù)面情感詞出現(xiàn)次數(shù)/評(píng)論中所有情感詞出現(xiàn)次數(shù)。

6）評(píng)論中政府部門的出現(xiàn)次數(shù)/評(píng)論中所有評(píng)論對(duì)象的出現(xiàn)次數(shù)：經(jīng)過對(duì)大量評(píng)論的研究統(tǒng)計(jì)，在事件的評(píng)論中，大多垃圾評(píng)論內(nèi)容是關(guān)于貶低、污蔑國家政府，這一特征已成為大多垃圾評(píng)論的共性。

3 網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別模型

3.1 網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別思想

對(duì)網(wǎng)絡(luò)輿情垃圾觀點(diǎn)進(jìn)行識(shí)別前，需要先對(duì)判定為垃圾觀點(diǎn)的六個(gè)特征進(jìn)行權(quán)重的計(jì)算，權(quán)重的計(jì)算采用信息增益（IG）算法。在對(duì)網(wǎng)絡(luò)輿情垃圾觀點(diǎn)進(jìn)行識(shí)別時(shí)，選擇合適的數(shù)學(xué)模型非常重要。對(duì)于垃圾觀點(diǎn)的識(shí)別其實(shí)本質(zhì)上屬于文本的分類問題，分類算法通過對(duì)已知類別訓(xùn)練集的分析，從中發(fā)現(xiàn)分類規(guī)則，以此預(yù)測(cè)新數(shù)據(jù)的類別。而目前關(guān)于文本的分類算法主要有BP神經(jīng)網(wǎng)絡(luò)，貝葉斯分類器，決策樹分類算法等。其中，基于基于統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則的支持向量機(jī)（SVM）模型在解決小樣本、非線性及高維模式識(shí)別問題中有明顯的優(yōu)勢(shì)，SVM解決問題時(shí)，和樣本的維數(shù)是無關(guān)的，這使得SVM很適合用來解決文本分類問題［9］。但是SVM模型的分類效果在很大程度上依賴于懲罰參數(shù)C和核函數(shù)參數(shù)g選取的準(zhǔn)確程度，為了提高懲罰參數(shù)C和核函數(shù)參數(shù)g的選擇準(zhǔn)確率［8］，采用啟發(fā)式的粒子群優(yōu)化算法對(duì)懲罰參數(shù)C和核函數(shù)參數(shù)g進(jìn)行尋優(yōu)。

3.2 網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別模型圖

網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別的模型圖如圖1所示。

圖1 模型整體流程

3.3 粒子群優(yōu)化算法原理簡(jiǎn)介

粒子群算法［10］是由Kennedy和Eberhart于1995年提出，他的尋優(yōu)思想源于對(duì)鳥群捕食行為的研究，其基本思想是把每個(gè)優(yōu)化問題的潛在解看成是搜索空間中的粒子，每個(gè)粒子都有一個(gè)適應(yīng)值，它由要優(yōu)化的目標(biāo)函數(shù)決定，每個(gè)粒子還有一個(gè)速度向量，它決定了該粒子在搜索空間中飛行的距離和方向。假設(shè)在一個(gè)D維的搜索空間中，由n個(gè)粒子組成的種群 x=(x1，x2，…，xn)，其中第 i個(gè)粒子在D維搜索空間中的位置亦代表問題的一個(gè)潛在解。根據(jù)目標(biāo)函數(shù)即可計(jì)算出每個(gè)粒子位置xi對(duì)應(yīng)的適應(yīng)度值。第i個(gè)粒子的速度為vi=(vi1，vi2，…，viD)T，其個(gè)體極值為 pi=(pi1，pi1，…，piD)T，全局極值為 pg=(pg1，pg2，…，pgD)T。在每一次迭代中，粒子通過跟蹤個(gè)體極值和全局極值更新自身的速度和位置，直到搜索到最優(yōu)位置為止，更新公式如下：

式 中 ，w 為 慣 性 權(quán) 重 ；d=1，2，…，D ；i=1，2，…，n;k為當(dāng)前迭代次數(shù)；vid為粒子的速度；c1和c2為非負(fù)常數(shù)，稱為加速度因子；r1和r2為分布于［0，1］之間的隨機(jī)數(shù)。為了防止粒子的盲目搜索，一般將其位子和速度限制在一定的區(qū)間[-xmax，xmax]、[-vmax，vmax]。

粒子群算法尋優(yōu)流程圖如圖2所示。

圖2 粒子群算法參數(shù)尋優(yōu)流程圖

3.4 基于PSO-SVM的網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別算法設(shè)計(jì)

本文選擇PSO算法來優(yōu)化SVM分類器的懲罰參數(shù)C和核函數(shù)參數(shù)g，用兩個(gè)粒子分別代表C和g，基于PSO-SVM的網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別算法主要步驟如下：

1）選用評(píng)論是否匿名、評(píng)論是否重復(fù)出現(xiàn)、評(píng)論中是否出現(xiàn)主要評(píng)論對(duì)象的名稱、評(píng)論中正（負(fù)）面情感詞占比、評(píng)論中政府部門出現(xiàn)的占比這6個(gè)特征界定是否為垃圾觀點(diǎn)，并把這6個(gè)特征表示為向量形式，具體表示為：x=(x1，x2，x3，x4，x5，x6)。通過信息增益（IG）計(jì)算出每個(gè)特征的信息增益值，特征的信息增益值越大，表示其對(duì)于垃圾觀點(diǎn)的識(shí)別貢獻(xiàn)越大，對(duì)分類也越重要；

2）將從微博上爬取的每一條輿情事件的評(píng)論都用以上特征向量表示，分別選取一部分作為訓(xùn)練集，一部分作為測(cè)試集，并且將這些特征向量的數(shù)據(jù)進(jìn)行歸一化處理；

3）將粒子群算法中的懲罰參數(shù)C和核函數(shù)參數(shù)g進(jìn)行初始化，隨機(jī)產(chǎn)生C和g的位置和速度；

4）結(jié)合輿情事件評(píng)論的訓(xùn)練集計(jì)算初始的懲罰參數(shù)C和核函數(shù)參數(shù)g的適應(yīng)度值；

5）根據(jù)適應(yīng)度值通過式（1）和式（2）更新當(dāng)前的懲罰參數(shù)C和核函數(shù)參數(shù)g的位置和速度；

6）當(dāng)?shù)螖?shù)或者適應(yīng)度值滿足最優(yōu)解時(shí)，則停止迭代，否則返回步驟（2）；

7）利用評(píng)論訓(xùn)練集和最佳的參數(shù)C、g進(jìn)行SVM的訓(xùn)練；PSO-SVM的形成是通過選取訓(xùn)練集的6維評(píng)論樣本，通過SVM算法計(jì)算出5維超平面（將6維空間一分為二的超平面比6維少一維）作為分類的邊界，將6維空間一分為二，二分以后的兩個(gè)空間分別代表真實(shí)評(píng)論的特征向量集合和垃圾觀點(diǎn)評(píng)論的特征向量集合。運(yùn)用PSO-SVM計(jì)算出的5維超平面的數(shù)學(xué)表達(dá)式如下：

該最優(yōu)化問題的求解需要聯(lián)立式（4）和式（5）

其中的約束是指要求各個(gè)數(shù)據(jù)點(diǎn)到分類面的距離大于等于1。由SVM數(shù)學(xué)模型可知，需要求解的是支持向量機(jī)系數(shù) αi(i=1，2，…，m)，自適應(yīng)函數(shù)為

步驟（3）中粒子的初始位置應(yīng)該滿足以下條件：

得到的函數(shù)屬于二次規(guī)劃問題，使用拉格朗日函數(shù)結(jié)合優(yōu)化問題和約束，再使用對(duì)偶理論，即可計(jì)算出超平面的數(shù)學(xué)表達(dá)式。

8）將預(yù)測(cè)集輸入進(jìn)訓(xùn)練好的PSO-SVM分類器中進(jìn)行垃圾觀點(diǎn)的識(shí)別；

9）通過評(píng)測(cè)指標(biāo)：準(zhǔn)確率、召回率和F-mea?sure進(jìn)行垃圾觀點(diǎn)識(shí)別準(zhǔn)確率的評(píng)測(cè)。

PSO優(yōu)化SVM網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別算法的流程圖如圖3所示。

圖3 PSO-SVM網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別流程圖

4 實(shí)驗(yàn)結(jié)果分析

本實(shí)驗(yàn)以2014年3月8日發(fā)生的馬來西亞航班失蹤事件為主題，隨機(jī)從新浪微博上爬取有關(guān)該事件的200條評(píng)論，選擇6名實(shí)驗(yàn)人員，分別對(duì)這200條評(píng)論進(jìn)行垃圾評(píng)論和非垃圾評(píng)論的人工標(biāo)注，選擇標(biāo)注結(jié)果相同的評(píng)論作為實(shí)驗(yàn)的數(shù)據(jù)集。其中50條垃圾評(píng)論，50條有意義的評(píng)論。實(shí)驗(yàn)的結(jié)果是為了識(shí)別這100條評(píng)論是否是垃圾評(píng)論，用T代表垃圾評(píng)論，F(xiàn)代表有意義評(píng)論。

1）先對(duì)界定為垃圾觀點(diǎn)的6個(gè)特征進(jìn)行信息增益的權(quán)重計(jì)算，計(jì)算結(jié)果如表1。

表1 信息增益權(quán)重表

2）未優(yōu)化參數(shù)的SVM訓(xùn)練與預(yù)測(cè)

實(shí)驗(yàn)選擇40條評(píng)論作為訓(xùn)練集，進(jìn)行SVM分類器的訓(xùn)練，然后用剩下的60條作為測(cè)試集測(cè)試分類器的識(shí)別性能。此時(shí)懲罰參數(shù)C和g是隨機(jī)選擇的，未被優(yōu)化的。其中C=3，g=4，所得實(shí)驗(yàn)結(jié)果如圖4。

3）PSO-SVM訓(xùn)練與預(yù)測(cè)

用粒子群算法優(yōu)化的適應(yīng)度變化曲線如圖5，優(yōu)化后的最佳懲罰參數(shù)C=18.0918，最佳的核函數(shù)參數(shù)g=0.94346。經(jīng)過PSO-SVM的識(shí)別圖如圖6，通過對(duì)比SVM和PSO-SVM的結(jié)果，可以得出經(jīng)過優(yōu)化懲罰參數(shù)和核函數(shù)參數(shù)g使得識(shí)別效果有明顯提高。

圖4 SVM網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別圖

圖5 PSO適應(yīng)度曲線

圖6 PSO-SVM網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別

4）將PSO-SVM中的6維特征輸入改成5維特征，用來檢測(cè)輸入特征對(duì)識(shí)別結(jié)果的影響。

首先將輸入的信息增益值最小的評(píng)論對(duì)象名稱這一特征去掉并進(jìn)行識(shí)別實(shí)驗(yàn)，然后再將信息增益值最大的政府部門這一特征去掉進(jìn)行識(shí)別實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果如圖7和圖8，實(shí)驗(yàn)結(jié)果表明評(píng)價(jià)對(duì)象這一特征對(duì)識(shí)別結(jié)果影響不大，而政府部門這一特征由于信息增益值比較大，所以對(duì)識(shí)別結(jié)果影響較大。

圖7 去掉特征（1）垃圾觀點(diǎn)識(shí)別圖

圖8 去掉特征（6）的垃圾觀點(diǎn)識(shí)別圖

5）網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別性能評(píng)測(cè)

對(duì)識(shí)別性能的評(píng)測(cè)，實(shí)驗(yàn)采用準(zhǔn)確率，召回率和F-measure作為網(wǎng)絡(luò)輿情垃圾觀點(diǎn)識(shí)別的評(píng)判標(biāo)準(zhǔn)。實(shí)驗(yàn)中，準(zhǔn)確率是指評(píng)論被分類器分類到類別ci而且這個(gè)分類正確的概率。召回率就是一條評(píng)論應(yīng)該屬于類別ci，而分類器也確實(shí)將其分類到類別 ci的概率。計(jì)算結(jié)果通式（9），（10）和（11）計(jì)算得出。

準(zhǔn)確率和召回率的計(jì)算公式分別為

其中a表示測(cè)試評(píng)論集中本來屬于類別ci而且被分類器分到類別ci的評(píng)論數(shù)；b表示測(cè)試評(píng)論集中本來不屬于類別ci但卻被分類器錯(cuò)誤分類到類別ci的評(píng)論數(shù)；c表示本來應(yīng)該屬于類別ci但被分類器分到別的類別的評(píng)論數(shù)。

F-measure的計(jì)算采用由Van Rijsbergen提出使用綜合考慮準(zhǔn)確率和召回率兩種指標(biāo)來計(jì)算，計(jì)算公式如下：

將以上不同各實(shí)驗(yàn)結(jié)果進(jìn)行比較結(jié)果如表2所示。

由表得出優(yōu)化了參數(shù)的SVM識(shí)別效果比未被優(yōu)化的SVM要好。而垃圾識(shí)別特征的界定對(duì)分類的準(zhǔn)確率也有很重要的影響，通過實(shí)驗(yàn)可得，信息增益值越大的特征對(duì)分類效果影響越大，從而可知這個(gè)特征在垃圾觀點(diǎn)評(píng)論中越重要。

表2 不同實(shí)驗(yàn)的比較結(jié)果

5 結(jié)語

1）總體上，對(duì)于垃圾觀點(diǎn)的識(shí)別研究是一個(gè)比較新的領(lǐng)域，關(guān)鍵是提取垃圾觀點(diǎn)特征上，不同的事件特征有可能不同［14］，但是融合評(píng)論內(nèi)容和評(píng)論人這兩方面特征適用于多數(shù)的垃圾觀點(diǎn)識(shí)別，并且特征越多，對(duì)于垃圾觀點(diǎn)的識(shí)別越有效。

2）在實(shí)現(xiàn)技術(shù)上，由于存在標(biāo)注的偏差，基于機(jī)器學(xué)習(xí)的分類方法存在一定的局限性，所以在實(shí)現(xiàn)技術(shù)上還需進(jìn)一步的探索。

3）在Web2.0互聯(lián)網(wǎng)環(huán)境中用戶的隱私保護(hù)和信息安全問題是垃圾觀點(diǎn)識(shí)別研究發(fā)展的制約，垃圾觀點(diǎn)識(shí)別研究是為了將網(wǎng)絡(luò)中存在的大量水軍或者垃圾評(píng)論進(jìn)行識(shí)別并且對(duì)其采取防治的措施［15］。所以，實(shí)驗(yàn)分析中如何避免涉及用戶的個(gè)人信息同時(shí)還能將網(wǎng)絡(luò)水軍和垃圾觀點(diǎn)高校的識(shí)別出來，是研究中的一個(gè)難點(diǎn)。

［1］陳曉美.網(wǎng)絡(luò)評(píng)論觀點(diǎn)知識(shí)發(fā)現(xiàn)研究［D］.長春：吉林大學(xué)，2014.

CHEN Xiaomei.Network review opinions knowledge dis?covery research［D］.Changchun：Jilin University，2014.

［2］李霄，丁晟春.垃圾商品評(píng)論信息的識(shí)別研究［J］.情報(bào)分析與研究，2013，229（1）：63-68.

LI Xiao，DING Maochun.Rubbish goods comments infor?mation recognition research［J］.Intelligence Analysis and Research，2013，229（1）：63-68.

［3］董松月，陳潤雨，劉西菩，等.網(wǎng)絡(luò)民航事件虛假評(píng)論的識(shí)別研究［J］.智能計(jì)算機(jī)與應(yīng)用，2016，6（4）：28-31.

DONG Songyue，CHEN Runyu，LIU Xipu，et al.False comments identifying research about network of civil avia?tion events［J］.Intelligent Computer and Application，2016，6（4）：28-31.

［4］韓曉暉.Web社會(huì)媒體中信息的質(zhì)量評(píng)價(jià)及應(yīng)用研究［D］.濟(jì)南：山東大學(xué)，2012.

HANG Xiaohui.Web information quality evaluation and application of research in social media［D］.Jinan：Shan?dong University，2012.

［5］莫倩，楊珂.網(wǎng)絡(luò)水軍識(shí)別研究［J］.軟件學(xué)報(bào)，2014，25（7）：1505-1526.

MO Qian，YANG Ke.Network water army recognition re?search［J］.Journal of Software，2014，25（7）：1505-1526.

［6］李明.改進(jìn)PSO-SVM在說話人識(shí)別中的應(yīng)用［J］.電子科技大學(xué)學(xué)報(bào)，2007，36（6）：1345-1349.

LI Ming.Improved PSO-SVM application in speaker rec?ognition［J］.Journal of University of Electronic Science and Technology，2007，36（6）：1345-1349.

［7］朱鳳明，樊明龍.混沌粒子群算法對(duì)支持向量機(jī)模型參數(shù)的優(yōu)化［J］.計(jì)算機(jī)仿真，2010，27（11）：183-186.

ZHU Fengming，F(xiàn)AN Minglong.Chaotic particle swarm optimization algorithm for support vector machine（SVM）model parameters optimization［J］.Computer Simulation，2010，27（11）：183-186.

［8］胡云艷，彭敏放，田成來.基于粒子群算法優(yōu)化支持向量機(jī)的模擬電路診斷［J］.計(jì)算機(jī)應(yīng)用研究，2012，29（11）：4053-4055.

HU Yunyan，PENG Minfang，TIAN Chenlai.Based on par?ticle swarm algorithm to optimize the analog circuit diagno?sis of support vector machine（SVM）［J］.Computer Appli?cation and Research，2012，29（11）：4053-4055.

［9］谷文成，柴寶仁，滕艷平.基于粒子群優(yōu)化算法的支持向量機(jī)研究［J］.北京理工大學(xué)學(xué)報(bào)，2014，34（7）：705-709.

GU Wencheng，CHAI Baoren，TENG Yanping.Support vector machine research based on particle swarm optimiza?tion algorithm［J］.Journal of Beijing institute of Technolo?gy，2014，34（7）：705-709.

［10］楊鐘瑾.粒子群和遺傳算法優(yōu)化支持向量機(jī)的破產(chǎn)預(yù)測(cè)［J］.計(jì)算機(jī)工程與應(yīng)用，2013，49（18）：265-270.

YANG Zhongjin.Particle swarm optimization and genetic algorithm of support vector machine（SVM）bankruptcy prediction［J］.Computer Engineering and Applications，2013，49（18）：265-270.

［11］鄧冰娜.一種應(yīng)用于博客的垃圾評(píng)論識(shí)別方法［J］.鄭州大學(xué)學(xué)報(bào)，2011，43（1）：65-69.

DENG Bingna.A kind of application in blog comment spam recognition method［J］.Journal of Zhengzhou Uni?versity，2011，43（1）：65-69.

［12］馬煥強(qiáng).論壇垃圾回帖的識(shí)別與過濾［D］.保定：河北大學(xué)，2014.

MA Huanqiang.BBS spam reply identification and filter?ing［D］.Baoding：Hebei University，2014.

［13］Jindal N，Liu B.Review Spam Detection［C］//In：Pro?ceedings of the 16th International Conference on World Wide Web，Banff，Al-berta，Canada.New York，NY，USA：ACM，2007：1189-1190.

［14］Mukherjee A，Liu B，Wang J，etal.Detecting Group Re?view Spam［C］//In：Proceedings of the 28th ACM Interna?tional Conference on Information and Knowledge Manage?ment，Hyderabad，India.New York，NY，USA：ACM，2011：1123-1126.

［15］Lim E-P，Nguyen V-A，Jindal N，et al.Detecting prod?uct reviews spammers using rating behaviors［C］//In Pro?ceedings of the 19th ACM International Conference on In?formation and Knowledge Management.Toronto，ON，Canada：ACM，2010：930-948.

［16］Jindal N，Liu B，Lim E-P.Finding a typicalreview pat?terns for detecting opinion spammers［R］.2010.

［17］Jindal N.Liu B，Lim E P.Finding Unusual Review Pat?terns using Unexpected Rules［C］//Proceedings of the 19th ACM International Conference on Information and Knowledge Management，2010：1549-1552.

［18］WU G，Greene D，Smyth B，et al.Distortion as a Valida?tion Criterion in the Identification of Suspicious Reviews［C］//1st Worksh op on Social Media Analytics.Washing?ton，DC，U SA，2010.

［19］Wang G，Xie S H，Liu B，et al.Identify Online Store Re?view Spammers via Social Review Graph［J］.ACM Trans?actions on Intelligent Systems and Technology（TIST），2012，3（04）.

［20］Xie S H，Wang G，Lin S Y，et al.Review Spam Detection via Temporal Pattern Discovery［C］//Proceedings of the 18th ACM SIGKDD International Conference on Knowl?edge Discovery and Data Mining，2012：823-831.