梁闊洋?k

摘要：近幾年，隨著微信的快速發(fā)展和普及，微信已經(jīng)成為智能移動(dòng)設(shè)備必備的應(yīng)用之一，但與之同時(shí)也出現(xiàn)了大量微信詐騙信息、垃圾廣告等，給人們帶來(lái)了極大的困擾。本文將從搜狗微信搜索中抽取微信文章樣本，將微信垃圾文章識(shí)別看做文本分類(lèi)問(wèn)題，采用支持向量機(jī)對(duì)樣本進(jìn)行分類(lèi)模型的訓(xùn)練，并應(yīng)用改進(jìn)的遺傳算法對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化。文中詳細(xì)的介紹了改進(jìn)遺傳算法在支持向量機(jī)上的應(yīng)用，相比傳統(tǒng)的支持向量機(jī)，采用改進(jìn)遺傳算法對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化，提升了模型準(zhǔn)確率和優(yōu)化效率。在文章的最后進(jìn)行了由15000篇微信文章所形成的測(cè)試集上的分類(lèi)模型效果實(shí)驗(yàn)，實(shí)現(xiàn)結(jié)果表明，本方法能夠達(dá)到94.7%的準(zhǔn)確率，非常準(zhǔn)確的識(shí)別微信垃圾文章。

關(guān)鍵詞：支持向量機(jī)；遺傳算法；特征選擇；參數(shù)優(yōu)化；垃圾文章

中圖分類(lèi)號(hào)：TP391.1文獻(xiàn)標(biāo)識(shí)碼：A

1引言

隨著微信應(yīng)用的快速發(fā)展和普及，微信已經(jīng)成為移動(dòng)智能設(shè)備中必備的應(yīng)用之一，與之同時(shí)也出現(xiàn)了大量微信詐騙信息，垃圾廣告等垃圾文章。這些信息不僅浪費(fèi)了用戶的帶寬和時(shí)間，同時(shí)也對(duì)互聯(lián)網(wǎng)的安全構(gòu)成了較大的威脅。因此如何識(shí)別此類(lèi)微信文章顯得格外重要。

傳統(tǒng)的解決方案為黑名單方法，黑名單方法收集發(fā)表垃圾文章的用戶，將用戶ID加入垃圾用戶黑名單列表。但由于微信用戶量大、并且增長(zhǎng)速度快、黑名單方法不僅實(shí)施周期長(zhǎng)，并且工作量大。

微信垃圾文章識(shí)別的過(guò)程可視為一個(gè)文本分類(lèi)的過(guò)程，對(duì)于文本分類(lèi)問(wèn)題，樣本經(jīng)過(guò)特征選擇后，每一個(gè)樣本被當(dāng)做一個(gè)n維特征向量空間中的向量、作為機(jī)器學(xué)習(xí)算法的輸入。常用的機(jī)器學(xué)習(xí)方法有：K-近鄰（K-Near Neighbor）[1]、樸素貝葉斯（Na

4實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)數(shù)據(jù)來(lái)源于搜狗微信搜索數(shù)據(jù)源，實(shí)驗(yàn)共選取了5組訓(xùn)練集，和2組測(cè)試集。

第一，采用不同數(shù)量的訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，記錄模型訓(xùn)練的準(zhǔn)確率、召回率、F值，如表2：

通過(guò)對(duì)不同數(shù)量的訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練，可以看出，當(dāng)采用TRAIN1，數(shù)量為685對(duì)模型進(jìn)行訓(xùn)練，準(zhǔn)確率、召回率、F值非常低，隨著訓(xùn)練樣本的增多，準(zhǔn)確率、召回率、F值的提升非?？欤@說(shuō)明訓(xùn)練樣本數(shù)量對(duì)模型整體的訓(xùn)練效果有非常大的影響。

采用TRAIN5所訓(xùn)練的模型，進(jìn)行3組不同數(shù)量測(cè)試上的實(shí)驗(yàn)，幾率其準(zhǔn)確率、召回率、F值，如表3：

從上表可以看出，使用同一訓(xùn)練集，準(zhǔn)確性稍有升高，幅度不大，表明模型是相當(dāng)穩(wěn)定的。召回率與F值稍有下降，說(shuō)明訓(xùn)練集中并沒(méi)有覆蓋所有實(shí)際情況，某些特殊實(shí)例沒(méi)有被包含進(jìn)來(lái)。

從上面兩組實(shí)驗(yàn)結(jié)果可以得到，基于改進(jìn)遺傳算法的支持向量機(jī)微信垃圾文章識(shí)別，對(duì)于搜狗微信搜索數(shù)據(jù)源具有良好的效果，其實(shí)驗(yàn)結(jié)果有益于后續(xù)研究的繼續(xù)進(jìn)行。訓(xùn)練所得模型的準(zhǔn)確率、召回率、F值能夠滿足實(shí)際應(yīng)用的需求。

5結(jié)論與展望

本文采用支持向量機(jī)對(duì)微信文章垃圾文章進(jìn)行識(shí)別，并應(yīng)用改進(jìn)的遺傳算法對(duì)支持向量機(jī)進(jìn)行參數(shù)優(yōu)化，最終得到最優(yōu)的參數(shù)組合，從了得到了能夠進(jìn)行良好分類(lèi)的分類(lèi)器。今后的主要工作集中在優(yōu)化特征選擇，對(duì)某些重要特征進(jìn)行加權(quán)處理，并考慮平衡數(shù)據(jù)和費(fèi)平衡數(shù)據(jù)對(duì)分類(lèi)器訓(xùn)練效果的影響，使得分類(lèi)的準(zhǔn)確率、召回率、F值獲得更大程度的提高。

參考文獻(xiàn)

[1]ANDROUTSPOULOS I，PALIOURAS G，KARKALETSIS V，et al. Learning to filter spam email： A Comparison of a Naive Bayesian and a MemoryBased Approach[C].Proceedings of the workshop on machine learning and textual information access， 4th European conference on principles and practice of knowledge discovery in databases. Lyon， France： [sn.].2000：1-13

[2]ANDROUTSOPOULOS I，KOUTSIAS J，CHANDRINOS K， et al. An evaluation of nave Bayesian antispam filtering[C].Proceedings of the 11th European conference on machine learning.Barcelona， Spain：[sn.].2000：9-17.

[3]CARRERAS X，MARQUEZ L. Boosting trees for antispam email filtering[C].The Forth International Conference on Recent Advances in Natural Language Processing. Bulgaria： Tzigov Chark.2001：58-64.

[4]CORTES C，VAPNIK V. Support vector networks[J].Machine Learning.1995，20（1）：273 –329.

[5]平源. 基于支持向量機(jī)的聚類(lèi)及文本分類(lèi)研究[D].北京：北京郵電大學(xué)，2012.

[6]KUBAT T M，MATWIN S. Addressing the Curse of Imbalanced Training Sets： OneSide Selection[C]. Proceedings of the 14th International Conference on Machine Learning. USA： Nashville.1997：217-225.）

[7]李人厚.智能控制理論和方法[M].陜西：西安電子科技大學(xué)出版社，2005.

[8]楊淑瑩，著.模式識(shí)別與智能計(jì)算—— Matlab技術(shù)實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2008..

[9]施聰鶯，徐朝軍，楊曉江. TFIDF算法研究綜述[J]. 計(jì)算機(jī)應(yīng)用，2009，S1：167-170+180.

[10]DASH M， LIU H. Feature Selection for Classification[J]. Intelligent Data Analysis， 1997， 1（3）： 131-156.