基于深度集成学习的社交网络异常数据挖掘算法

doi:10.13229/j.cnki.jdxbgxb20211263

摘要/Abstract

摘要：

针对当前社交网络异常数据挖掘算法设计过程中未提取社交网络数据特征，导致异常数据检测率低、检测运行时间长的问题，提出一种基于深度集成学习的社交网络异常数据挖掘算法。该算法首先挖掘社交网络数据，依据数据挖掘结果提取社交网络数据特征；然后利用提取到的数据特征构建深度集成学习模型，通过该模型对异常数据进行预测，以此获得社交网络异常数据，实现社交网络异常数据挖掘。实验结果表明：通过对该算法进行异常数据检测率测试和异常数据检测运行时间测试，验证了该算法的准确性高、有效性强、实际应用效果好。

关键词: 深度集成学习, 社交网络, 异常数据挖掘, 特征提取

Abstract:

In the current design process of social network abnormal data mining algorithm， social network data features are not extracted， resulting in low abnormal data detection rate and long detection running time. Therefore， a social network abnormal data mining algorithm based on deep integrated learning is designed. Mining social network data， extracting social network data features according to the data mining results， using the extracted data features to build a deep integrated learning model， using the model to predict abnormal data， so as to obtain abnormal social network data， and realize abnormal social network data mining. Experimental results show that the algorithm has high accuracy and effectiveness and good practical application effect through abnormal data detection rate test and abnormal data detection running time test.

Key words: deep integrated learning, social network, abnormal data mining, feature extraction

中图分类号:

TP748

戴礼灿,代翔,崔莹,魏永超. 基于深度集成学习的社交网络异常数据挖掘算法[J]. 吉林大学学报(工学版), 2022, 52(11): 2712-2717.

Li-can DAI,Xiang DAI,Ying CUI,Yong-chao WEI. Anomaly data mining algorithm in social network based on deep integrated learning[J]. Journal of Jilin University(Engineering and Technology Edition), 2022, 52(11): 2712-2717.

图/表 2

图1

图2

参考文献 15

1	曾治安, 姚树友, 郑晓玲, 等. 基于移动互联网技术的继电保护设备智能运维管理模式探讨[J]. 电力系统保护与控制, 2019, 47(16): 80-86.
	Zeng Zhi-an, Yao Shu-you, Zheng Xiao-ling, et al. Discussion on intelligent operation and maintenance management mode of relay protection equipment based on mobile internet technology[J]. Power System Protection and Control, 2019, 47(16): 80-86.
2	曾小华, 宋美洁, 宋大凤, 等. 基于车联网信息的公交客车行驶工况数据处理方法[J].吉林大学学报: 工学版, 2021, 51(5): 1692-1699
	Zeng Xiao-hua, Song Mei-jie, Song Da-feng, et al. Data processing method of bus driving cycle based on vehicular network information[J]. Journal of Jilin University(Engineering and Technology Edition), 2021,51(5): 1692-1699.
3	姜斌祥, 张子枫, 杨学鹏, 等. 毒品检验区块链数据共享融合激励算法 [J]. 吉林大学学报: 工学版, 2022, 52(5): 1117-1127.
	Jiang Bin-xiang, Zhang Zi-feng, Yang Xue-peng, et al.Data sharing fusion excitation algorithm of drug inspection blockchain[J]. Journal of Jilin University(Engineering and Technology Edition), 2022, 52(5): 1117-1127.
4	金心宇, 谢慕寒, 孙斌. 基于半张量积压缩感知的粮情信息采集[J].吉林大学学报: 工学版, 2021, 51(1): 379-385
	Jin Xin-yu, Xie Mu-han, Sun Bin. Grain information compressed sensing based on semi-tensor product approach[J]. Journal of Jilin University(Engineering and Technology Edition), 2021, 51(1): 379-385.
5	岳少博, 谢利德, 王清河, 等. 多媒体网络负面信息数据检测仿真研究[J]. 计算机仿真, 2019, 36(1): 226-229, 386.
	Yue Shao-bo, Xie Li-de, Wang Qing-he, et al. Research on the simulation of negative information data detection in multimedia networks[J]. Computer Simulation, 2019, 36(1): 226-229, 386.
6	马莉莉, 刘江平. 基于数据挖掘的光纤通信网络异常数据检测研究[J]. 应用光学, 2020, 41(6): 1305-1310.
	Ma Li-li, Liu Jiang-ping. Research on abnormal data detection of optical fiber communication network based on data mining[J]. Journal of Applied Optics, 2020, 41(6): 1305-1310.
7	张宏, 吕悦晶. 基于大数据挖掘技术的车载自组织网络状态异常检测[J]. 汽车技术, 2019(10): 48-52.
	Zhang Hong, Lu Yue-jing. Research on abnormal state detection of VANET based on big data mining technology[J]. Automobile Technology, 2019(10): 48-52.
8	张定祥, 张跃进. 基于改进多层次模糊关联规则的定量数据挖掘算法[J]. 计算机应用研究, 2019, 36(12): 3619-3622.
	Zhang Ding-xiang, Zhang Yue-jin. Quantitative data mining algorithm based on improved multi-level fuzzy association rules[J]. Application Research of Computers, 2019, 36(12): 3619-3622.
9	刘久富, 丁晓彬, 郑锐, 等. 混沌量子粒子群的权重类条件贝叶斯网络分类器参数学习[J]. 系统工程与电子技术, 2019, 41(10): 2304-2309.
	Liu Jiu-fu, Ding Xiao-bin, Zheng Rui, et al. Weighted class-conditional bayesian network classifier parameter learning of chaos quantum particle swarm[J]. Systems Engineering and Electronics, 2019, 41(10): 2304-2309.
10	吴瞻宇, 董明, 王健一, 等. 基于模糊关联规则挖掘的电力变压器故障诊断方法[J]. 高压电器, 2019, 55(8): 157-163.
	Wu Zhan-yu, Dong Ming, Wang Jian-yi, et al. Fault diagnosis of power transformer based on fuzzy association rules mining[J]. High Voltage Apparatus, 2019, 55(8): 157-163.
11	刘均, 宫子栋, 吴力. 基于信息熵度量的局部线性嵌入算法[J]. 吉林大学学报:理学版, 2022, 60(1): 143-149.
	Liu Jun, Gong Zi-dong, Wu Li. Local linear embedding algorithm based on information entropy measurement[J]. Journal of Jilin University(Science Edition), 2022, 60(1): 143-149.
12	蒲晓川, 黄俊丽, 祁宁, 等. 基于密度信息熵的K-means算法在客户细分中的应用[J]. 2021, 59(5): 1245-1251.
	Pu Xiao-chuan, Huang Jun-li, Qi Ning, et al. Application of K-means algorithm based on density information entropy in customer segmentation[J]. Journal of Jilin University(Science Edition), 2021, 59(5): 1245-1251.
13	张宇飞, 沈瑶, 杨威, 等. 差分信息熵的网络时序型隐蔽信道检测[J]. 软件学报, 2019, 30(9): 2733-2759.
	Zhang Yu-fei, Shen Yao, Yang Wei, et al. Detecting covert timing channels based on difference entropy[J]. Journal of Software, 2019, 30(9): 2733-2759.
14	李文静, 李萌, 乔俊飞. 基于互信息和自组织RBF神经网络的出水BOD软测量方法[J]. 化工学报, 2019, 70(2): 687-695.
	Li Wen-jing, Li Meng, Qiao Jun-fei. Effluent BOD soft measurement based on mutual information and self-organizing RBF neural network[J]. CIESC Journal, 2019, 70(2): 687-695.
15	邹耀斌, 雷帮军, 臧兆祥, 等. 归一化互信息量最大化导向的自动阈值选择方法[J]. 自动化学报, 2019, 45(7): 1373-1385.
	Zou Yao-bin, Lei Bang-jun, Zang Zhao-xiang, et al. Automatic threshold selection guided by maximizing normalized mutual information[J]. Acta Automatica Sinica, 2019, 45(7): 1373-1385.

相关文章 15

[1]	周怡娜,董宏丽,张勇,路敬祎. 基于VMD去噪和散布熵的管道信号特征提取方法[J]. 吉林大学学报(工学版), 2022, 52(4): 959-969.
[2]	康苏明,张叶娥. 基于Hadoop的跨社交网络局部时序链路预测算法[J]. 吉林大学学报(工学版), 2022, 52(3): 626-632.
[3]	陈晓雷,孙永峰,李策,林冬梅. 基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断[J]. 吉林大学学报(工学版), 2022, 52(2): 296-309.
[4]	李国发,王彦博,何佳龙,王继利. 机电装备健康状态评估研究进展及发展趋势[J]. 吉林大学学报(工学版), 2022, 52(2): 267-279.
[5]	欧阳宁,李祖锋,林乐平. 基于多层次空⁃谱融合网络的高光谱图像分类[J]. 吉林大学学报(工学版), 2022, 52(10): 2438-2446.
[6]	黎才茂,陈少凡,林成蓉,候玉权,李浩. 基于循环知识图谱的虚拟社区知识动态推荐方法[J]. 吉林大学学报(工学版), 2022, 52(10): 2385-2390.
[7]	许鸿奎,姜彤彤,李鑫,姜斌祥,王永雷. 结合降噪自编码与极限学习机的LTE上行干扰分析[J]. 吉林大学学报(工学版), 2022, 52(1): 195-203.
[8]	刘桂霞,裴志尧,宋佳智. 基于深度学习的蛋白质⁃ATP结合位点预测[J]. 吉林大学学报(工学版), 2022, 52(1): 187-194.
[9]	刘远红,郭攀攀,张彦生,李鑫. 基于黎曼流形的稀疏图保持投影的特征提取[J]. 吉林大学学报(工学版), 2021, 51(6): 2268-2279.
[10]	钟辉,康恒,吕颖达,李振建,李红,欧阳若川. 基于注意力卷积神经网络的图像篡改定位算法[J]. 吉林大学学报(工学版), 2021, 51(5): 1838-1844.
[11]	朱小龙,谢忠. 基于海量文本数据的知识图谱自动构建算法[J]. 吉林大学学报(工学版), 2021, 51(4): 1358-1363.
[12]	魏晓辉,孙冰怡,崔佳旭. 基于图神经网络的兴趣活动推荐算法[J]. 吉林大学学报(工学版), 2021, 51(1): 278-284.
[13]	徐涛,马克,刘才华. 基于深度学习的行人多目标跟踪方法[J]. 吉林大学学报(工学版), 2021, 51(1): 27-38.
[14]	李宾,周旭,梅芳,潘帅宁. 基于K-means和矩阵分解的位置推荐算法[J]. 吉林大学学报(工学版), 2019, 49(5): 1653-1660.
[15]	耿庆田, 于繁华, 王宇婷, 高琦坤. 基于特征融合的车型检测新算法[J]. 吉林大学学报(工学版), 2018, 48(3): 929-935.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed