基于KK-SVM的垃圾標簽檢測方法研究.pdf

1、計算機處理的數(shù)據(jù)一般來說基本抽象于客觀世界,由于客觀世界中事物的復雜性,導致數(shù)據(jù)結構極其復雜,數(shù)據(jù)維度極高,這無疑增加了計算機處理數(shù)據(jù)的難度。Folksonomy是通過用戶自定義標簽發(fā)展而來的新型分類方法,包括參與用戶、被描述的資源以及標識符這三個重要組成部分。由于Folksonomy兼?zhèn)溆脩粜院妥杂尚缘忍攸c,實現(xiàn)了更高程度上的資源共享,但同時也使得基于 Folksonomy的系統(tǒng)經常含有垃圾標簽。Folksonomy系統(tǒng)過于依賴用戶行

2、為,一旦部分用戶出現(xiàn)反常行為在系統(tǒng)中投放垃圾信息,生成相應垃圾標簽,將會嚴重威脅整個系統(tǒng)的運行。為了減小系統(tǒng)的風險,完全有必要對垃圾標簽進行檢測。
　　本文首先通過支持向量機的理論構建垃圾標簽檢測模型,原理就是利用支持向量機對用戶行為進行檢測并分類,判斷用戶是否為垃圾標簽投放者,通過限制垃圾標簽投放用戶的破壞行為來減少垃圾標簽。而后又在核主成成分分析法的啟發(fā)下,將數(shù)據(jù)降維思想引入數(shù)據(jù)預處理階段進行數(shù)據(jù)集的約減,通過降維獲取原始數(shù)據(jù)

3、的低維表示,構建出了基于KPCA-SVM方法的垃圾標簽檢測模型。在此基礎上,利用核 K-means聚類算法再次對 KPCA-SVM垃圾標簽檢測模型進行優(yōu)化。最終形成了基于 KK-SVM的垃圾標簽檢測模型。其中,前一個“K”表示核K-means聚類算法,在處理數(shù)據(jù)集時主要是基于數(shù)據(jù)行的約減,后一個“K”表示KPCA降維算法,主要是基于數(shù)據(jù)列的約減。
　　本文將降維思想引入垃圾標簽檢測模型的數(shù)據(jù)約減階段,提出了用KPCA-SVM檢測垃