书籍详情
社交媒体内容安全挖掘技术研究
作者：段大高，韩忠明
出版社：北京邮电大学出版社
出版时间：2019-12-01
ISBN：9787563559473
定价：¥68.00
购买这本书可以去
内容简介
随着社交网络规模的不断增长，社交媒体逐步成为人们社交生活不可或缺的一部分。社交媒体又称为社会性媒体，是基于互联网技术和工具，供大众自发撰写、分享、评价、讨论及相互沟通的虚拟社区或网络平台，现阶段主要包括社交网站、微博、微信、博客、论坛、播客等。对社交网络的深度挖掘成为研究社交媒体环境及用户行为的重要手段，对社交媒体内容安全挖掘成为维护社会和谐稳定的重要一环。《社交媒体内容安全挖掘技术研究/“十三五”科学技术专著丛书》着眼于社交媒体的内容安全问题，主要阐述了内容安全数据挖掘技术，包括社交媒体网络信息可信度模型、虚假消息识别、水军识别、马甲识别，以及社交网络去匿名化、社团发现等主要内容。读者在阅读过程中，可结合自己的研究兴趣，选取对应的内容阅读。《社交媒体内容安全挖掘技术研究/“十三五”科学技术专著丛书》可作为高等学校网络空间信息安全、大数据等专业高年级学生和研究生教材，也可供对社交媒体内容安全挖掘感兴趣的研究者阅读参考。
作者简介
段大高，男，博士，副教授，计算机科学与技术硕士生导师，北京市优秀中青年骨干教师，北京市第六批青年知识分子，电子学会高级会员、计算机学会会员、ACM会员、IEEE-CS会员。主要研究领域为智能机器人与机器视觉、图像处理与理解、网络通信、嵌入式系统、互联网大数据挖掘、人工智能与机器学习等。承担和参与国家、部委、横向科研课题40多项，发表论文50多篇，申请专利二十多项。2007年获北京市科学技术奖三等奖，2008年获中国电子学会电子信息科学技术奖一等奖，2009年获中国通信学会科学技术奖一等奖，2010年获国家科技进步二等奖。2007年获北京市中青年骨干教师称号。曾主持设计和执行了中国科普搜索资讯网、国家旅游局全国旅游基础数据库等大型信息化项目。
目录
第1章 绪论
1．1 社交媒体
1．1．1 社交媒体概念
1．1．2 主流社交媒体
1．1．3 社交媒体特性
1．2 社交媒体挖掘
1．2．1 社交媒体挖掘概述
1．2．2 社交媒体挖掘应用
1．3 社交媒体内容安全挖掘
1．3．1 社交媒体虚假消息挖掘
1．3．2 社交媒体水军与马甲识别
1．3．3 社交媒体去匿名化挖掘
1．3．4 社交媒体社团挖掘
1．4 本书主要内容
本章参考文献
第2章 社交媒体挖掘基本理论与方法
2．1 概述
2．2 社交网络分析
2．3 支持向量机
2．4 贝叶斯学习
2．4．1 朴素贝叶斯
2．4．2 概率图模型
2．5 决策树学习
2．5．1 决策树
2．5．2 随机森林
2．5．3 梯度提升决策树
2．6 神经网络
2．6．1 BP神经网络模型
2．6．2 卷积神经网络
本章参考文献
第3章 社交媒体虚假消息识别研究
3．1 概述
3．2 微博消息可信度评估因素
3．2．1 概述
3．2．2 评论特征
3．2．3 实验与分析
3．3 基于支持向量机的微博虚假消息检测
3．3．1 基于支持向量机判别模型
3．3．2 实验与分析
3．4 基于用户等级特征的虚假消息检测
3．4．1 特征工程
3．4．2 实验与分析
3．5 基于BP神经网络的虚假消息检测模型
3．5．1 模型构建
3．5．2 实验与分析
3．6 基于注意力机制的虚假消息早期检测模型
3．6．1 基于LSTM／GRU的文本特征表示
3．6．2 基于注意力模型的虚假消息早期检测
3．6．3 实验与分析
3．7 小结
本章参考文献
第4章 社交媒体虚假图像检测研究
4．1 虚假图像检测概述
4．1．1 背景介绍
4．1．2 虚假图像检测方法
4．1．3 图像统计特性检测
4．2 虚假图像特征提取研究
4．2．1 离散小波变换
4．2．2 奇异值分解算法
4．3 虚假图像被动认证检测方法研究
4．3．1 复制添加型虚假图像
4．3．2 基于离散小波变换和SVD的检测算法
4．3．3 实验与分析
4．4 小结
本章参考文献
第5章 水军识别与马甲识别模型研究
5．1 概述
5．2 基于概率图模型的水军识别模型
5．2．1 概述
5．2．2 特征分析
5．2．3 WGM模型构建
5．2．4 实验与分析
5．3 基于谱分析的水军团体识别模型
5．3．1 概述
5．3．2 用户关系图模型谱分析
5．3．3 基于用户关系图谱特征定位电商水军团体
5．3．4 实验与评价
5．4 基于频繁子树的马甲识别模型
5．4．1 概述
5．4．2 基于频繁子树的马甲识别模型
5．4．3 基于频繁子树的马甲识别实例分析
5．4．4 实验与分析
5．5 基于混合特征的马甲识别模型
5．5．1 模型构建
5．5．2 基于混合特征的马甲识别实例分析
5．5．3 实验与分析
5．6 小结
本章参考文献
第6章 社交网络去匿名化方法研究
6．1 去匿名化概述
6．1．1 基于用户属性的去匿名化方法
6．1．2 基于用户关系的去匿名化方法
6．2 基于排序学习的去匿名化方法
6．2．1 网络结构特征
6．2．2 基于排序学习的去匿名化攻击方法
6．2．3 实验与分析
6．3 基于表示学习的去匿名化方法
6．3．1 表示学习模型架构
6．3．2 随机游走网络表示学习算法
6．3．3 约束随机游走算法
6．3．4 模型推导与参数训练
6．3．5 实验与分析
6．4 小结
本章参考文献
第7章 社交媒体社团发现模型研究
7．1 社团划分概述
7．1．1 社团结构与社团划分
7．1．2 基于全局结构的社团划分方法
7．1．3 基于局部结构的社团划分方法
7．1．4 经典算法时间复杂度比较
7．1．5 算法局限性分析
7．2 常用数据集与评价指标
7．2．1 常用数据集
7．2．2 评价指标
7．3 基于节点向量表达的社团发现模型
7．3．1 概述
7．3．2 基于节点向量表达的社团划分算法
7．3．3 启发式随机游走
7．3．4 分布式节点表示向量生成
7．3．5 聚类算法
7．3．6 CDNEV算法
7．3．7 实验与分析
7．4 基于NCSS的社团发现混合模型
7．4．1 概述
7．4．2 NCSS算法
7．4．3 实验与分析
7．5 小结
本章参考文献
第8章 研究总结
……
1．1 社交媒体
1．1．1 社交媒体概念
1．1．2 主流社交媒体
1．1．3 社交媒体特性
1．2 社交媒体挖掘
1．2．1 社交媒体挖掘概述
1．2．2 社交媒体挖掘应用
1．3 社交媒体内容安全挖掘
1．3．1 社交媒体虚假消息挖掘
1．3．2 社交媒体水军与马甲识别
1．3．3 社交媒体去匿名化挖掘
1．3．4 社交媒体社团挖掘
1．4 本书主要内容
本章参考文献
第2章 社交媒体挖掘基本理论与方法
2．1 概述
2．2 社交网络分析
2．3 支持向量机
2．4 贝叶斯学习
2．4．1 朴素贝叶斯
2．4．2 概率图模型
2．5 决策树学习
2．5．1 决策树
2．5．2 随机森林
2．5．3 梯度提升决策树
2．6 神经网络
2．6．1 BP神经网络模型
2．6．2 卷积神经网络
本章参考文献
第3章 社交媒体虚假消息识别研究
3．1 概述
3．2 微博消息可信度评估因素
3．2．1 概述
3．2．2 评论特征
3．2．3 实验与分析
3．3 基于支持向量机的微博虚假消息检测
3．3．1 基于支持向量机判别模型
3．3．2 实验与分析
3．4 基于用户等级特征的虚假消息检测
3．4．1 特征工程
3．4．2 实验与分析
3．5 基于BP神经网络的虚假消息检测模型
3．5．1 模型构建
3．5．2 实验与分析
3．6 基于注意力机制的虚假消息早期检测模型
3．6．1 基于LSTM／GRU的文本特征表示
3．6．2 基于注意力模型的虚假消息早期检测
3．6．3 实验与分析
3．7 小结
本章参考文献
第4章 社交媒体虚假图像检测研究
4．1 虚假图像检测概述
4．1．1 背景介绍
4．1．2 虚假图像检测方法
4．1．3 图像统计特性检测
4．2 虚假图像特征提取研究
4．2．1 离散小波变换
4．2．2 奇异值分解算法
4．3 虚假图像被动认证检测方法研究
4．3．1 复制添加型虚假图像
4．3．2 基于离散小波变换和SVD的检测算法
4．3．3 实验与分析
4．4 小结
本章参考文献
第5章 水军识别与马甲识别模型研究
5．1 概述
5．2 基于概率图模型的水军识别模型
5．2．1 概述
5．2．2 特征分析
5．2．3 WGM模型构建
5．2．4 实验与分析
5．3 基于谱分析的水军团体识别模型
5．3．1 概述
5．3．2 用户关系图模型谱分析
5．3．3 基于用户关系图谱特征定位电商水军团体
5．3．4 实验与评价
5．4 基于频繁子树的马甲识别模型
5．4．1 概述
5．4．2 基于频繁子树的马甲识别模型
5．4．3 基于频繁子树的马甲识别实例分析
5．4．4 实验与分析
5．5 基于混合特征的马甲识别模型
5．5．1 模型构建
5．5．2 基于混合特征的马甲识别实例分析
5．5．3 实验与分析
5．6 小结
本章参考文献
第6章 社交网络去匿名化方法研究
6．1 去匿名化概述
6．1．1 基于用户属性的去匿名化方法
6．1．2 基于用户关系的去匿名化方法
6．2 基于排序学习的去匿名化方法
6．2．1 网络结构特征
6．2．2 基于排序学习的去匿名化攻击方法
6．2．3 实验与分析
6．3 基于表示学习的去匿名化方法
6．3．1 表示学习模型架构
6．3．2 随机游走网络表示学习算法
6．3．3 约束随机游走算法
6．3．4 模型推导与参数训练
6．3．5 实验与分析
6．4 小结
本章参考文献
第7章 社交媒体社团发现模型研究
7．1 社团划分概述
7．1．1 社团结构与社团划分
7．1．2 基于全局结构的社团划分方法
7．1．3 基于局部结构的社团划分方法
7．1．4 经典算法时间复杂度比较
7．1．5 算法局限性分析
7．2 常用数据集与评价指标
7．2．1 常用数据集
7．2．2 评价指标
7．3 基于节点向量表达的社团发现模型
7．3．1 概述
7．3．2 基于节点向量表达的社团划分算法
7．3．3 启发式随机游走
7．3．4 分布式节点表示向量生成
7．3．5 聚类算法
7．3．6 CDNEV算法
7．3．7 实验与分析
7．4 基于NCSS的社团发现混合模型
7．4．1 概述
7．4．2 NCSS算法
7．4．3 实验与分析
7．5 小结
本章参考文献
第8章 研究总结
……
猜您喜欢
