垃圾博客檢測(cè)技術(shù)的研究與實(shí)現(xiàn).pdf

1、隨著Web2.0的飛速發(fā)展，人們正在從網(wǎng)絡(luò)內(nèi)容的使用者向網(wǎng)絡(luò)內(nèi)容的提供者轉(zhuǎn)變，網(wǎng)絡(luò)上出現(xiàn)了各種各樣的用戶生成內(nèi)容，其中以博客最具代表性。隨著博客的飛速發(fā)展，博客數(shù)量激增，博客已經(jīng)成為人們?nèi)粘Ｉ钪斜夭豢缮俚囊徊糠?。博客的到來正在逐漸改變著人們?nèi)粘Ｉ钪械慕涣鞣绞剑藗兺ㄟ^在博客中發(fā)帖子來表達(dá)自己的心情或者心得體會(huì)。博客的飛速發(fā)展也帶來了大量的垃圾博客。垃圾博客的泛濫不僅浪費(fèi)了大量的網(wǎng)絡(luò)帶寬資源和網(wǎng)絡(luò)存儲(chǔ)空間，更惡劣的是它嚴(yán)重?fù)p害了Web

2、的可信度和博客的內(nèi)容質(zhì)量，降低了用戶進(jìn)行網(wǎng)絡(luò)信息共享的滿意度。
　　垃圾博客的檢測(cè)是一個(gè)分類問題。傳統(tǒng)的垃圾博客檢測(cè)過程中存在三點(diǎn)不足之處:一、把博客中的博文看做是一個(gè)網(wǎng)頁分別進(jìn)行檢測(cè)，沒有把一個(gè)博客看做是一個(gè)整體;二、在博客的特征提取方面，只是提取了博客的內(nèi)容特征和鏈接特征，沒有考慮博客區(qū)別于網(wǎng)頁的特征;三、單分類器越來越不適用于日益復(fù)雜的數(shù)據(jù)形式。本文對(duì)這些不足之處進(jìn)行了研究，在對(duì)垃圾博客進(jìn)行檢測(cè)時(shí)，把一個(gè)博客中的所有博文看做