大规模网络负面信息准确评估分类研究

摘要：

对大规模网络负面信息准确评估分类,可以保证大规模网络的健康运行.大规模网络中负面信息的种类很多,容易形成信息淹没效应,很难找出负面信息的特有属性对信息聚类过程进行约束,只能通过不断细化负面信息特有信息,找到最优约束完成信息分类,而传统的神经网络算法主要通过复杂的网络结构对信息样本进行训练,没有明确的最优约束范围,降低了大规模网络负面信息准确评估分类的精度和效率.提出租糙集理论和神经网络相结合的大规模网络负面信息准确评估分类方法.利用粗糙集理论的属性对大规模网络负面信息进行预处理降低维度,获得约简的决策规则.运用决策规则语义构建一种神经网络的分类机理.并根据分类机理对高维网络参数进行初始化来提高收敛速度,对高维网络输入的特征属性的离散化值通过蚁群算法进行寻优,获得最优的负面信息的分类结构.仿真结果表明,改进算法能够提高大规模网络负面信息准确评估分类的效率和精度.

关键词：神经网络、粗糙集理论、决策规则、蚁群算法

所属期刊栏目：33

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2017-02-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：296-299,410