论文部分内容阅读
为了解决传统机器学习算法对社交网络异常用户检测准确率不高的问题,提出一种基于信息增益的K近邻社交网络异常用户检测方法。首先通过使用信息增益特征选择方法确定数据集中每个属性的重要性,去除冗余属性;然后使用KNN分类算法构建分类模型。为验证所构建模型的效果,使用真实数据集进行实验。实验结果表明,进行特征选择后构建的分类模型在分类精确率和召回率上均优于传统分类模型,其中精确率提升1.6%、召回率提升2.3%。使用信息增益特征选择方法对特征权重进行排序,删除冗余特征后构建的分类模型可以提升对社交异常用户的检测效果