文献类型：期刊文章

作　　者：吕品[1] 于文兵[2] 汪鑫[1] 计春雷[1] 周曦民[3]

LU Pin;YU Wen-bing;WANG Xin;JI Chun-lei;ZHOU Xi-min(Shcool of Electronic Information Engineering, Shanghai Dianji University, Shanghai 201306 , China;Shcool of Arts and Sciences,Shanghai Dianji University,Shanghai 201306 .China;Shanghai Supercomputer Center, Shanghai 201203 , China)

机构地区：[1]上海电机学院电子信息学院,上海201306 [2]上海电机学院文理学院,上海201306 [3]上海超级计算中心,上海201203

出　　处：《电子学报》

基　　金：上海市教育科学研究项目(No.C17014);上海电机学院计算机科学与技术优势学科(No.16YSXK04)

年　　份：2019

卷　　号：47

期　　号：10

起止页码：2228-2234

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、RSC、SCOPUS、ZGKJHX、核心刊

摘　　要：恶意评论检测是预防社会媒体平台给用户带来负面影响的一项重要工作,是自然语言处理的重要领域之一.为解决单分类器实现恶意评论检测时模型精度不稳定、boosting集成模型精度较低的问题,提出一种异构分类器堆叠泛化的方法.该方法用深度循环神经网络将多标签的恶意评论分类问题转变为二类分类,防止了模型精度不稳定;用堆叠泛化集成时单个分类器GRU(Gated Recurrent Unit)和NB-SVM(Naive Bayes-Support Vector Machine)在模型结构和分类偏差上的差异性,改善了模型精度.在维基百科恶意评论数据集上的对比实验证明:提出的方法优于boosting集成,说明堆叠泛化异构分类器实现恶意评论检测是可行且有效的.

关 键 词：堆叠泛化  恶意评论  循环神经网络 NB-SVM  词嵌入  

分 类 号：TP391]