馮軍軍 賀曉春 王海沛

（四川信息職業(yè)技術(shù)學(xué)院 廣元 628017）

基于樸素貝葉斯網(wǎng)絡(luò)的微博話題追蹤技術(shù)研究?

馮軍軍 賀曉春 王海沛

（四川信息職業(yè)技術(shù)學(xué)院 廣元 628017）

根據(jù)微博的特點(diǎn)，提出了基于樸素貝葉斯網(wǎng)絡(luò)模型的微博話題追蹤算法，在改進(jìn)型DF的文本特征選擇方法的基礎(chǔ)上，通過構(gòu)建樸素貝葉斯網(wǎng)絡(luò)模型，設(shè)計(jì)并實(shí)現(xiàn)對(duì)微博話題的追蹤系統(tǒng)。實(shí)驗(yàn)結(jié)果表明，基于樸素貝葉斯網(wǎng)絡(luò)的微博話題追蹤系統(tǒng)具有分類簡(jiǎn)單、高效的優(yōu)點(diǎn)，特別適合對(duì)微博熱門話題進(jìn)行追蹤。

樸素貝葉斯網(wǎng)絡(luò)；微博；話題追蹤

1 引言

隨著微博的興起，微博作為個(gè)人、機(jī)構(gòu)以及其它媒體的信息發(fā)布交流平臺(tái)的作用不斷提升，廣大網(wǎng)民的輿論主戰(zhàn)場(chǎng)逐漸轉(zhuǎn)向微博平臺(tái)這些數(shù)以億計(jì)的微博信息中蘊(yùn)藏著巨大的價(jià)值，因此加強(qiáng)微博輿論的研究對(duì)經(jīng)濟(jì)、社會(huì)、政治的穩(wěn)定與發(fā)展有著重要的積極作用［1］。目前，微博平臺(tái)具有數(shù)據(jù)量大、動(dòng)態(tài)更新快、內(nèi)容實(shí)時(shí)性強(qiáng)等特點(diǎn)［2］，基于關(guān)鍵字的檢索返回的信息冗余度高，相關(guān)的信息未進(jìn)行有效地組織，人們對(duì)某些事件難以做到全面的把握。在此背景下，研究人員開始關(guān)注微博話題追蹤技術(shù)，微博話題追蹤旨在追蹤已知微博話題的后續(xù)事件［3～4］。本文將在新聞話題檢測(cè)與追蹤技術(shù)上所采用的樸素貝葉斯網(wǎng)絡(luò)模型應(yīng)用到微博話題。它能夠在熱門話題檢測(cè)任務(wù)（單位時(shí)間內(nèi)微博的轉(zhuǎn)發(fā)量、評(píng)論數(shù)等超過設(shè)定的閾值）完成的基礎(chǔ)上，實(shí)現(xiàn)快速追蹤熱門話題后繼事件的發(fā)展動(dòng)態(tài)，具有算法簡(jiǎn)單、識(shí)別率高、快速的特點(diǎn)。其關(guān)于微博內(nèi)容、關(guān)鍵詞、話題之間的關(guān)系用樸素貝葉斯網(wǎng)絡(luò)描述如圖1所示。

圖1 描述微博內(nèi)容（S）、微博話題（T）和關(guān)鍵字（K）的貝葉斯網(wǎng)絡(luò)

2 樸素貝葉斯網(wǎng)絡(luò)

2.1 貝葉斯定理

P(A|B)表示事件B發(fā)生下事件A發(fā)生的條件概率，其基本求解公式如下

其中P(AB)表示事件A、B同時(shí)發(fā)生的概率。P(B)屬于先驗(yàn)概率，表示事件B發(fā)生的概率。貝葉斯定理提供了一種由P(B)、P(A)和P(A|B)來計(jì)算后驗(yàn)概率P(B|A)的方法，其基本關(guān)系是：

貝葉斯定理的推廣：對(duì)于多變量（N＞2），貝葉斯定理同樣成立，式（3）給出變量的個(gè)數(shù)N=3時(shí)，根據(jù)式（2）導(dǎo)出的貝葉斯定理。

2.2 樸素貝葉斯網(wǎng)絡(luò)的定義及其性質(zhì)

貝葉斯網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)是一個(gè)有向無環(huán)圖，G=＜V，E＞，其中V表示隨機(jī)變量的集合，集合中的每一個(gè)元素對(duì)應(yīng)貝葉斯網(wǎng)絡(luò)中唯一的節(jié)點(diǎn)，E表示隨機(jī)變量之間的條件依賴，用條件概率表集合來表示，它存儲(chǔ)了對(duì)于其所有直接前驅(qū)節(jié)點(diǎn)的聯(lián)合條件概率。貝葉斯網(wǎng)絡(luò)有一個(gè)重要的性質(zhì)，每一個(gè)節(jié)點(diǎn)在其直接前驅(qū)節(jié)點(diǎn)確定后，這個(gè)節(jié)點(diǎn)條件獨(dú)立于其所有非直接前驅(qū)前輩節(jié)點(diǎn)。這個(gè)性質(zhì)很類似Markov過程。式（4）給出了貝葉斯網(wǎng)絡(luò)中多個(gè)隨機(jī)變量的聯(lián)合條件概率計(jì)算公式。

其中Parents(xi)表示(xi)的直接前驅(qū)節(jié)點(diǎn)的聯(lián)合，其值可以從相應(yīng)條件概率表中查到。

不同于貝葉斯網(wǎng)絡(luò)，樸素貝葉斯網(wǎng)絡(luò)基于貝葉斯網(wǎng)絡(luò)，它假設(shè)類別屬性之間是條件獨(dú)立，是一種約束型貝葉斯網(wǎng)絡(luò)。兩者的分類原理是相似的，都是建立在統(tǒng)計(jì)概率學(xué)基礎(chǔ)之上的，已知待分類樣本的先驗(yàn)概率，結(jié)合貝葉斯定理計(jì)算待分類樣本所屬類別的概率，計(jì)算所得最大值則作為待分類樣本的類別。圖2和圖3分別給出了貝葉斯網(wǎng)絡(luò)和樸素貝葉斯網(wǎng)絡(luò)的模型圖。

圖2 貝葉斯網(wǎng)絡(luò)模型圖

圖3 樸素貝葉斯網(wǎng)絡(luò)模型圖

2.3 基于樸素貝葉新網(wǎng)絡(luò)模型的話題追蹤應(yīng)用分析

基于樸素貝葉斯網(wǎng)絡(luò)的話題追蹤，實(shí)際是一個(gè)文本分類，分類步驟可以分為以下兩步：1）根據(jù)己知話題的訓(xùn)練樣本，通過訓(xùn)練得到樸素貝葉斯網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)，但是需要指出的是結(jié)構(gòu)和參數(shù)的訓(xùn)練通常是交替進(jìn)行的；2）利用訓(xùn)練得到的樸素貝葉斯網(wǎng)絡(luò)對(duì)待分類項(xiàng)（未知類別的測(cè)試微博文本）進(jìn)行分類。下面使用樸素貝葉斯網(wǎng)絡(luò)模型來對(duì)話題的追蹤應(yīng)用進(jìn)行分析，為了簡(jiǎn)單起見，對(duì)樸素貝葉斯網(wǎng)絡(luò)模型的結(jié)構(gòu)做了適當(dāng)?shù)暮?jiǎn)化，如圖4所示。

圖4 描述微博文本、話題和關(guān)鍵字的樸素貝葉斯網(wǎng)絡(luò)

圖4 是一個(gè)有向無環(huán)圖（DAG），圖中每個(gè)節(jié)點(diǎn)表示一個(gè)隨機(jī)變量，而有向弧則表示指向結(jié)點(diǎn)影響被指向結(jié)點(diǎn)。根據(jù)樸素貝葉斯網(wǎng)絡(luò)模型可知，可以用先驗(yàn)概率表示沒有前驅(qū)節(jié)點(diǎn)的節(jié)點(diǎn)，而對(duì)于有直接前驅(qū)節(jié)點(diǎn)的，在構(gòu)建樸素貝葉斯模型的結(jié)構(gòu)時(shí)，其條件概率一般是已知的，假設(shè)已知報(bào)道S={W1，W2}，S屬于待分類項(xiàng)，T屬于某一話題，計(jì)算報(bào)道S所屬的話題類別P(T|S)，可以利用貝葉斯式（5）：

P(T|S)=P(T|W1，W2)=P(W1|T)(T)P(W2|T)/P(W1W2)（5）

3 基于樸素貝葉斯網(wǎng)絡(luò)的微博話題追蹤

針對(duì)微博話題追蹤任務(wù)和微博文本的特點(diǎn)［5～6］。本文提出了基于樸素貝葉斯網(wǎng)絡(luò)的話題追蹤流程圖，如圖5所示，首先確定樸素貝葉斯網(wǎng)絡(luò)模型的結(jié)構(gòu)，根據(jù)訓(xùn)練語(yǔ)料（需要人工標(biāo)記）訓(xùn)練貝葉斯網(wǎng)絡(luò)模型結(jié)構(gòu)和參數(shù)，形成貝葉斯網(wǎng)絡(luò)分類器，然后從微博文本集中抽取一篇微博，抽取特征詞并計(jì)算其權(quán)重［7］，形成事件報(bào)道模型，結(jié)合貝葉斯分類器，計(jì)算該微博所屬話題類別，從而實(shí)現(xiàn)微博話題追蹤［8］。

3.1 基于樸素貝葉斯網(wǎng)絡(luò)的微博話題追蹤流程

結(jié)合圖5可知，樸素貝葉斯網(wǎng)絡(luò)模型的話題追蹤具體步驟［9～13］：

1）已知訓(xùn)練微博文本集 D={d1，d2，d3，…，dn}每一個(gè)訓(xùn)練樣本 dj={f1，f2，f3，…，fn}，每個(gè) fk為 dj的 一 個(gè) 特 征 屬 性 ， k∈{1，2，3，…，n} ，j∈{1，2，3，…，n}。對(duì)于從事件報(bào)道庫(kù)抽取的微博（非訓(xùn)練樣本），xj={t1，t2，t3，…，tn}為一個(gè)待分類項(xiàng)。

圖5 基于樸素貝葉斯網(wǎng)絡(luò)模型的微博話題追蹤流程圖

2）有類別的話題集合 C={c1，c2，c3，…，cn}，其中Ck∈C話題類別變量，分類的任務(wù)就對(duì)未知話題的事件報(bào)道樣本 xj={t1，t2，t3，…，tn}來預(yù)測(cè)它的所屬話題類別C，如式（6）所示。

3）根據(jù)貝葉斯定理，對(duì)式（6）進(jìn)行展開，如式（7）所示，其中 P(Xj)為某一常數(shù)，只需計(jì)算P(Xi|Ck)P(Ck)，P(Ck)一類別Ck出現(xiàn)的概率，可以通過訓(xùn)練樣本估計(jì)得到，若樣本均衡，該值是一個(gè)定值。

4）計(jì)算P(Xi|Ck)，如式（8）所示。在計(jì)算的過程中，貝葉斯網(wǎng)絡(luò)模型引入了一些獨(dú)立性假設(shè)：樸素貝葉斯網(wǎng)絡(luò)特征屬性節(jié)點(diǎn)的狀態(tài)相互獨(dú)立。

其中P(tj|Ck)表示類別Ck中出現(xiàn)ti的概率，它的值等于特征屬性詞ti在類別Ck中出現(xiàn)的次數(shù)與類別Ck所有特征詞出現(xiàn)總數(shù)的比值，相關(guān)值可以通過查詢樸素貝葉斯訓(xùn)練參數(shù)表得到。

5）求出C=Max{P(tj|Ck)}，k∈{1，2，3，…，n}。

對(duì)于步驟4）中P(tj|Ck)的值可以通過在訓(xùn)練樸素貝葉斯網(wǎng)絡(luò)模型的時(shí)候得到，具體的訓(xùn)練步驟如圖6所示。

圖6 樸素貝葉斯網(wǎng)絡(luò)模型訓(xùn)練流程圖

3.2 估計(jì)類別下特征屬性的劃分條件及Laplace校準(zhǔn)

由圖6可知，在微博話題追蹤的模型中，樸素貝葉斯網(wǎng)絡(luò)分類的關(guān)鍵步驟在于計(jì)算P(tj|Ck)各個(gè)類別下每個(gè)特征詞出現(xiàn)的次數(shù)，可以通過查詢樸素貝葉斯網(wǎng)絡(luò)訓(xùn)練參數(shù)表得到，但是如果出現(xiàn)某個(gè)類別下某個(gè)特征項(xiàng)劃分沒有出現(xiàn)時(shí)，即P(tj|Ck)=0這種情形，那么樸素貝葉斯網(wǎng)絡(luò)模型的分類效果將大大降低。本文則通過引入Laplace校準(zhǔn)進(jìn)行數(shù)據(jù)平滑，具體實(shí)現(xiàn)過程：在訓(xùn)練樣本階段將所有類別下的特征屬性的出現(xiàn)頻次初始化為1，同時(shí)將某一類別下所有的特征詞出現(xiàn)的次數(shù)初始化為n，n表示特征詞的個(gè)數(shù)。當(dāng)n充分大時(shí)，可以忽略對(duì)結(jié)果產(chǎn)生的影響。

4 實(shí)驗(yàn)設(shè)計(jì)與結(jié)果分析

4.1 數(shù)據(jù)集

本文實(shí)驗(yàn)所使用的微博語(yǔ)料庫(kù)來自爬萌中國(guó)［14］，選取2015年1月至2015年12月之間的特定主題微博作為語(yǔ)料庫(kù)，語(yǔ)料庫(kù)中選取了300篇微博，選擇其中50篇人工標(biāo)記過的微博作為訓(xùn)練樣本，另外250篇作為測(cè)試樣本，其中選取的訓(xùn)練報(bào)道針對(duì)5個(gè)話題，其中訓(xùn)練集和測(cè)試集不存在任何重復(fù)的樣本。語(yǔ)料的各話題的新聞報(bào)道分布如表1所示。

表1 各話題的微博文本分布

4.2 微博文本預(yù)處理

根據(jù)新浪微博的特點(diǎn)，使用了NLPIR漢語(yǔ)分詞系統(tǒng)，對(duì)微博文本流進(jìn)行文本預(yù)處理，本次試驗(yàn)選擇基于改進(jìn)型DF的微博文本特征選擇方法，用命名實(shí)體向量空間模型來表示話題的特征向量F={f1/w1，f2/w2，…，f7/w7}，特征屬性依次表示一篇微博中日期名、地名、人物名、數(shù)詞、專有名詞、機(jī)構(gòu)名、名詞的詞向量模型及分類命名實(shí)體的詞頻［15～17］，如發(fā)生在2015年的天津塘沽爆炸事件的一篇微博如表2所示。

表2 天津塘沽爆炸事件

4.3 實(shí)驗(yàn)評(píng)價(jià)

話題追蹤的性能都可以用誤報(bào)率PMiss和漏報(bào)率PFA來表示。CDet就是PMiss和PFA加權(quán)求和的結(jié)果，計(jì)算公式如式（9）所示。

其中，CMiss是系統(tǒng)的錯(cuò)誤識(shí)別代價(jià)，是微博話題追蹤系統(tǒng)性能的重要指標(biāo)，CMiss是未識(shí)別代價(jià)，CFA是誤報(bào)的代價(jià)。在本文中基于樸素貝葉斯網(wǎng)絡(luò)的微博話題追蹤的過程中，未識(shí)別的代價(jià)要高于誤報(bào)的代價(jià)，分別取CMiss=10和CFA=1。

Ptarget表示某個(gè)話題出現(xiàn)的概率，有Pnon-target=1-Ptarget。PMiss表示未識(shí)別率，PFA表示錯(cuò)誤識(shí)別率。根據(jù)式10對(duì)CDet做歸一化處理。

式（10）表明，(CDet)Norm值越小，微博話題追蹤性能越好。

4.4 實(shí)驗(yàn)結(jié)果與相關(guān)分析

實(shí)驗(yàn)參數(shù)選?。篜target=0.02，CMiss=1，CFA=0.1，En表示事件序列，使用樸素貝葉斯網(wǎng)絡(luò)模型得到的實(shí)驗(yàn)數(shù)據(jù)如表3所示。

實(shí)驗(yàn)和評(píng)測(cè)結(jié)果表明，基于樸素貝葉斯網(wǎng)絡(luò)模型能夠有效實(shí)現(xiàn)微博話題的追蹤。

表3 基于樸素貝葉斯網(wǎng)絡(luò)模型的話題追蹤結(jié)果

5 結(jié)語(yǔ)

本文通過實(shí)驗(yàn)的方法驗(yàn)證了基于樸素貝葉斯網(wǎng)絡(luò)模型微博話題的追蹤模型具有算法簡(jiǎn)單高效、分類效果好，發(fā)現(xiàn)其特別適合對(duì)熱門微博話題的追蹤?；诟倪M(jìn)型DF的微博文本特征選擇方法保留了描述微博事件的主要特征屬性—日期名、地名、人物名、數(shù)詞、專有名詞、機(jī)構(gòu)名、名詞。這些特征詞的屬性對(duì)描述一個(gè)話題的貢獻(xiàn)度特別大，而且當(dāng)特征屬性充分多時(shí)，樸素貝葉斯網(wǎng)絡(luò)模型對(duì)于個(gè)別特征屬性表現(xiàn)出極大的抗干擾性，但同時(shí)也提高了計(jì)算量。

［1］趙新輝，郭瑞.基于數(shù)據(jù)挖掘技術(shù)的網(wǎng)絡(luò)輿情智能監(jiān)測(cè)與引導(dǎo)平臺(tái)設(shè)計(jì)研究［J］.電腦知識(shí)與技術(shù)，2012，8（1）：1-2，4.ZHAO Xinhui，GUO Rui.Design and research of intelligent monitoring and guidance platform for network public opinion based on Data Mining Technolog［J］.Computer Knowledge and Technology，2012，8（1）：1-2，4.

［2］CNNIC.2016第37次中國(guó)互聯(lián)網(wǎng)發(fā)展?fàn)顩r統(tǒng)計(jì)報(bào)告［EB/OL］.http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/201601/P020160122469130059846.pdf，2016-63.CNNIC.Thirty-seventh China Internet Development Statistics Report in 2016［EB/OL］.http：//www.cnnic.net.cn/hlwfzyj/hlwxzbg/201601/P020160122469130059846.pdf，2016-63.

［3］王國(guó)華，鄭全海，王雅蕾，等.新浪熱門微博的特征及用戶轉(zhuǎn)發(fā)規(guī)律研究［J］.情報(bào)雜志，2014（4）：117-121.WANG Guohua，ZHENG Quanhai，WANG Yalei，et al.Research on the Characteristics and Users'Retweeting Rules of Top Trending Micro-blogson Sina［J］.Journal of Intelligence，2014（4）：117-121.

［4］徐曉東，肖銀濤，朱士瑞，等.微博社區(qū)的謠言傳播仿真研究［J］.計(jì)算機(jī)工程，2011，37（10）：272-274.HU Xiaodong，XIAO Yinchao，SHU Shirui，et al.Simulation Investigation of Rumor Propagation in Microblogging Community［J］.Computer Engineering，2011，37（10）：272-274.

［5］許志凱，徐志明，李棟，等.面向互聯(lián)網(wǎng)新聞的話題檢測(cè)與追蹤［J］.智能計(jì)算機(jī)與應(yīng)用，2011（3）：59-61，65.XU Zhikai，XU Zhiming，LI Dong，et al.Topic Detection and Tracking for News Web Pages［J］.Intelligent Computer and Applications，2011（3）：59-61，65.

［6］李爽.從微薄中挖掘有用信息［J］.網(wǎng)絡(luò)與信息，2011（6）：98-102.LI Shuang.Mining useful information from micro-blog［J］.Network and Information，2011（6）：98-102.

［7］劉慶和，梁正友.一種基于信息增益的特征優(yōu)化選擇方法［J］.計(jì)算機(jī)工程與應(yīng)用，2011，47（12）：130-132，136.LIU Qinghe，LIANG Zhengyou.Optimized approach of feature selection based on information gain［J］.Computer Engineering and Applications，2011，47（12）：130-132.

［8］劉海峰，蘇展，劉守生，等.一種基于詞頻信息的改進(jìn)CHI文本特征選擇［J］.計(jì)算機(jī)工程與應(yīng)用，2013，（22）：110-114.LIU Haifeng，SU Zhan，LIU Shousheng.Improved CHI text feature selection based on word frequency information［J］.Computer Engineering and Applications，2013，49（22）：110-114.

［9］張春，郭明亮.大數(shù)據(jù)環(huán)境下樸素貝葉斯分類算法的改進(jìn)與實(shí)現(xiàn)［J］.北京交通大學(xué)學(xué)報(bào)，2015（39）：35-41.ZHANG Chun，GUO Mingliang.Research and realization of improved native Bayes classification algorithm under big data environment［J］.Journal of Beijing Jiaotong University，2015（39）：35-41.

［10］葛順，夏學(xué)知.基于聚類的樸素貝葉斯分類無監(jiān)督學(xué)習(xí)方法［J］.艦船科學(xué)技術(shù)，2016（38）：112-116.GE Shun，XIA Xuezhi.Unsupervised learning method of native Bayesian network classifier based on clustering［J］.Ship Science and Technology，2016（38）：112-116.

［11］賀鳴，孫建軍，成穎.基于樸素貝葉斯的文本分類研究綜述［J］.情報(bào)科學(xué)，2016（34）：147-154.HE Ming，SUN Jianjun，CHENG Ying.Text Classification Based on Naive Bayes：A Review［J］.Information Science，2016（34）：147-154.

［12］張澤鑫，李俊，常向青.基于特征加權(quán)的樸素貝葉斯流量分類方法研究［J］.高技術(shù)通訊，2016（26）：119-127.ZHANG Zexin，LI Jun，CHANG Xiangqing.Internet traffic classification using the attribute weighted naive Bayes algorithm algoritltm［J］.High Technology Letters，2016（26）：119-127.

［13］趙文濤，孟令軍，趙好好，等.樸素貝葉斯算法的改進(jìn)與應(yīng)用［J］.測(cè)控技術(shù)，2016（35）：143-147.ZHAO Wen-tao，MENG Lingjun，ZHAO Haohao，et al.Improvement and Applications of the Naive Algorithm［J］.Measurement and Control Technology，2016（35）：143-147.

［14］中國(guó)爬萌.爬萌數(shù)據(jù)［EB/OL］.http：//www.cnpameng.com/，2015-11.China Clima.The data of Climb［EB/OL］.http：//www.cnpameng.com/，2015-11.

［15］任曉東，張永奎，薛曉飛.基于K-Modes聚類的自適應(yīng)話題追蹤技術(shù)［J］.計(jì)算機(jī)工程，2009（9）：222-224.REN Xiaodong，ZHANG Yongkui，XUE Xiaofei.Adaptive Topic Tracking Technique Based on K-Modes Clustering.Computer Engineering，2009，35（9）：222-224.

［16］孫曰昕，馬慧芳，師亞凱，等.融合詞語(yǔ)關(guān)聯(lián)關(guān)系的自適應(yīng)微博熱點(diǎn)話題追蹤算法［J］.計(jì)算機(jī)應(yīng)用，2014，34（12）：3497-3501.SUN Yuexin，MA Huifang，SHI Yakai，et al.Self-adaptive microblog hot topic tracking method using term correlation.Journal of Computer Applications，2014，34（12）：3497-3501.

［17］馬海兵，畢久陽(yáng)，郭新順.文本分類方法在網(wǎng)絡(luò)輿情分析系統(tǒng)中的應(yīng)用研究［J］.情報(bào)科學(xué)，2015，33（5）：97-101.MA Haibing，BI Jiuyang，GUO Xinshun.Applications of Text Classification in Network Public Opinion System［J］.Information Science，2015，33（5）：97-101.

Research on Micro-blog Topic Tracking Based on Naive Bayesian Network

FENG Junjun HE Xiaochun WANG Haipei
（Sichuan Information Technology College，Guangyuan 628017）

According to the characteristics of micro-blog，this paper proposes micro-blog topic tracking algorithm based on naive Bayesian network model，and at the base of the foregoing improved DF text feature selection method，the micro-blog topic tracking system is designed and implemented.The experimental results show that micro-blog topic tracking system based on the naive Bayesian network model is simple，efficient，especially suitable for tracking hot topics on micro-blog.

naive Bayesian，micro-blog，topic tracking

TP391.1

10.3969/j.issn.1672-9722.2017.11.034

Class Number TP391.1

2017年5月2日，

2017年6月23日

馮軍軍，男，碩士，助教，研究方向：嵌入式系統(tǒng)及應(yīng)用和信息安全技術(shù)。賀曉春，男，講師，研究方向：網(wǎng)絡(luò)安全。王海沛，男，碩士，助教，研究方向：云計(jì)算應(yīng)用和數(shù)據(jù)分析。