基于特征選擇與隨機(jī)森林混合模型的社區(qū)惡意評(píng)論檢測研究

唐洵，湯娟，周安民

（四川大學(xué)網(wǎng)絡(luò)空間安全學(xué)院，成都 610225）

0 引言

當(dāng)今，網(wǎng)絡(luò)社交平臺(tái)上的每個(gè)用戶都可以閱讀、發(fā)布和分享信息，網(wǎng)絡(luò)傳播特性使得信息能夠以前所未有的速度向大量受眾傳播，數(shù)十億人的生活因此產(chǎn)生革命性的影響。伴隨著移動(dòng)互聯(lián)網(wǎng)的普及，人們?cè)谏缃痪W(wǎng)絡(luò)上所花費(fèi)的時(shí)間與精力也日益增多，安全問題也日益嚴(yán)重。大多數(shù)人都在試圖保持網(wǎng)絡(luò)的安全性和可用性，這類用戶屬于良性的、正常的用戶，與之相對(duì)，有部分用戶試圖發(fā)表影響網(wǎng)絡(luò)平臺(tái)可用性的反社會(huì)行為，如仇恨言論，人身攻擊和網(wǎng)絡(luò)欺凌[1-3]，這些被網(wǎng)絡(luò)平臺(tái)所禁止的評(píng)論通常由釣魚者或噴子（Troll）發(fā)表，而且近些年的研究表明，普通人在特定情況下，也會(huì)發(fā)表惡意評(píng)論。

針對(duì)惡意評(píng)論的早期研究是定性的，學(xué)者通常對(duì)少數(shù)人工識(shí)別出的惡意評(píng)論的典型案例進(jìn)行深入研究。在這一階段的工作中，一般認(rèn)為這是一種具有反社會(huì)行為的特殊言論。Buckels[4]在2014 年的研究中提到，惡意評(píng)論利用“熱點(diǎn)問題”讓用戶在某種程度上變得過于情緒化、偏激乃至失去理智。故而，惡意言論可以被視為“網(wǎng)絡(luò)社區(qū)負(fù)面行為”。Dlala[5]認(rèn)為惡意言論故意對(duì)討論的主題進(jìn)行隱晦的誤導(dǎo)，以挑起爭議，擾亂討論，達(dá)到讓普通用戶偏離討論主題的目的。Cheng[6]等人在這之后研究了發(fā)帖、評(píng)論、點(diǎn)贊行為與社區(qū)不良行為的關(guān)系，他們對(duì)被社區(qū)禁言的用戶進(jìn)行異常行為分析，發(fā)現(xiàn)其異常行為傾向于集中在少數(shù)幾個(gè)主題上，能夠吸引更多用戶的關(guān)注響應(yīng)。他們以時(shí)間為軸，對(duì)用戶行為按照從加入社區(qū)到被禁止的演變過程進(jìn)行分析，惡意言論發(fā)布者的語言水平會(huì)持續(xù)降低，且社區(qū)對(duì)其容忍程度也呈下降趨勢(shì)。同時(shí)隨著社區(qū)對(duì)其管控嚴(yán)格化，不良行為反而會(huì)因此加劇，所以Cheng 等人提到對(duì)惡意用戶的識(shí)別應(yīng)該放在其行為初期，避免后期的不可控行為。他們另一項(xiàng)研究[7]表明，社區(qū)中的負(fù)面情緒會(huì)給社區(qū)帶來持續(xù)性的負(fù)面影響，而積極情緒并不具備類似效應(yīng)，因?yàn)榇蠖鄶?shù)社區(qū)并不會(huì)對(duì)發(fā)表積極內(nèi)容的用戶采取獎(jiǎng)勵(lì)行為，所以用戶也不會(huì)有進(jìn)一步提高文章質(zhì)量的積極性。

在檢測言論中惡意行為這一方面，Kumar[8]對(duì)Slashdot 社區(qū)中的惡意評(píng)論進(jìn)行研究，其惡意行為對(duì)社區(qū)的信息完整性進(jìn)行了破壞，由此他們針對(duì)Slashdot社區(qū)開發(fā)了一種通用算法TIA（Troll Identification Algo?rithm），將在線注冊(cè)用戶分為惡意或良性，進(jìn)而對(duì)惡意評(píng)論進(jìn)行檢測。在Hardaker[9]的研究中，分析了不同類型惡意評(píng)論的特征。Kim[12]通過分析用戶的屬性和代表性行為，如注冊(cè)日期、重復(fù)轉(zhuǎn)發(fā)和行為跟蹤等來檢測惡意用戶。Risch[10]組合多個(gè)常用特征，其實(shí)驗(yàn)表明組合特征的檢測效果明顯優(yōu)于單一特征。Cambria[11]等人使用帖子中的語義和情感分析進(jìn)行惡意行為檢測。而Chen[13]等人使用詞匯句法特征分析并檢測惡意行為，包括用戶行文風(fēng)格、結(jié)構(gòu)和特定網(wǎng)絡(luò)欺凌等內(nèi)容。而在最近的研究中，Cheng，Justin[7]的文章中認(rèn)為，用戶的前置情緒和帖子的討論情景是用戶是否會(huì)產(chǎn)生惡意評(píng)論的重要預(yù)測因素，用戶近期的發(fā)布?xì)v史表明情緒會(huì)從先前的討論中延續(xù)過來，過去的惡意評(píng)論可以預(yù)測未來的惡意言論行為。

本文使用爬蟲收集了一組中文社區(qū)中用戶的歷史發(fā)言數(shù)據(jù)。在Cheng，Justin[7]的研究基礎(chǔ)上，提取出實(shí)驗(yàn)數(shù)據(jù)中有關(guān)不良情緒和上下文環(huán)境的相關(guān)特征。本文使用LASSO 回歸，發(fā)現(xiàn)部分特征的相關(guān)系數(shù)較小，因此結(jié)合主成分分析法（PCA）對(duì)特征進(jìn)行降維，并采用隨機(jī)森林算法建立模型，發(fā)現(xiàn)在線討論社區(qū)中的惡意評(píng)論，得到了87.0%的準(zhǔn)確度。實(shí)驗(yàn)結(jié)果表明，本文采用的模型對(duì)惡意評(píng)論具有良好的檢測效果，為凈化社區(qū)環(huán)境提供了技術(shù)支持。

1 惡意評(píng)論檢測模型

1.1 檢測模型框架

本文的惡意評(píng)論檢測模型如圖1 所示，該模型主要包括三部分：數(shù)據(jù)特征提取模塊、PCA 特征降維模塊、隨機(jī)森林檢測模塊。本文使用Python 爬蟲獲取到原始數(shù)據(jù)集，經(jīng)過人工分析后，對(duì)數(shù)據(jù)進(jìn)行清洗及預(yù)處理。根據(jù)過去的研究，模型從評(píng)論數(shù)據(jù)中提取出每個(gè)評(píng)論的特征向量，使用PCA 降維，提取出測試使用的特征集向量。原始數(shù)據(jù)將被隨機(jī)分為70%的訓(xùn)練數(shù)據(jù)集和30%的測試數(shù)據(jù)集，最后使用隨機(jī)森林算法進(jìn)行訓(xùn)練，將評(píng)論數(shù)據(jù)分類為正常評(píng)論以及惡意評(píng)論。

圖1 惡意評(píng)論混合檢測模型

1.2 檢測模型特征

經(jīng)過分析，本文采用的數(shù)據(jù)集中的46，036 條被刪除的評(píng)論多數(shù)由未被禁用用戶所發(fā)表的。在最新的研究中，Cheng、Justin[7]指出：惡意評(píng)論更多可能是由于情景而導(dǎo)致的，并非天生。研究者認(rèn)為對(duì)于普通用戶而言，負(fù)面情緒和討論背景都會(huì)增加用戶發(fā)布惡意評(píng)論的可能性。因此，本文根據(jù)數(shù)據(jù)集的特征，選用了以下8 個(gè)特征作為基礎(chǔ)特征集，對(duì)惡意評(píng)論進(jìn)行檢測。

●情緒特征：

Cheng、Justin 基于情緒做了三個(gè)方向的特征研究。認(rèn)為用戶的惡意評(píng)論會(huì)隨著早晚，工作日和周末的轉(zhuǎn)換而變化；憤怒的情緒會(huì)帶來更多的惡意評(píng)論；而隨著時(shí)間的增加，用戶的負(fù)面情緒會(huì)逐漸降低。

根據(jù)上述研究，本文提取出以下四個(gè)特征值：

（1）周時(shí)間：評(píng)論一周內(nèi)所處的發(fā)布時(shí)間點(diǎn)；

（2）天時(shí)間：評(píng)論一天內(nèi)所處的發(fā)布時(shí)間點(diǎn)；

（3）前置被標(biāo)記時(shí)間：用戶上一條帖子的標(biāo)記情況；

（4）治愈時(shí)間：用戶上一條被標(biāo)記帖子與當(dāng)前帖子的發(fā)布時(shí)間差。

●討論環(huán)境特征

Cheng、Justin 基于討論環(huán)境做了三個(gè)方向的特征研究。認(rèn)為如果新聞下的第一條評(píng)論被標(biāo)記，會(huì)對(duì)后續(xù)的討論產(chǎn)生一定影響；如果評(píng)論所在的子討論中的首條評(píng)論被標(biāo)記，會(huì)對(duì)后續(xù)的子討論產(chǎn)生影響；在一個(gè)子討論中，被標(biāo)記評(píng)論的數(shù)量和位置，會(huì)對(duì)整體子討論產(chǎn)生影響。

根據(jù)上述研究，本文提取出以下四個(gè)特征值：

（1）首標(biāo)記：評(píng)論所處的新聞中，新聞下首條評(píng)論的被標(biāo)記情況；

（2）根標(biāo)記：評(píng)論所處的新聞中，評(píng)論所在的子討論中，根評(píng)論的被標(biāo)記情況；

（3）評(píng)論位置：當(dāng)前評(píng)論所處的位置；

（4）被標(biāo)記數(shù)量：在這之前被標(biāo)記的評(píng)論數(shù)量。

1.3 PCA降維處理原理概述

PCA（Principal Components Analysis）即主成分分析技術(shù)，旨在利用降維的思想，把多指標(biāo)轉(zhuǎn)化為少數(shù)幾個(gè)綜合指標(biāo)，是一種非監(jiān)督的機(jī)器學(xué)習(xí)方法。PCA 可以降低算法開銷，通過降維發(fā)現(xiàn)更容易理解的特征，增加訓(xùn)練過程中對(duì)有效信息的提取處理，使數(shù)據(jù)集更容易被使用。

設(shè)周時(shí)間為W，天時(shí)間為D，前置被標(biāo)記時(shí)間為Pt，治愈時(shí)間為 Ht，首標(biāo)記為 Ff，根標(biāo)記為 Rf，評(píng)論位置為P，被標(biāo)記數(shù)量為N。則本文所采用的特征數(shù)據(jù)集I 為[W，D，Pt，Ht，F(xiàn)f，Rf]。

LASSO（The Least Absolute Shrinkage and Selection Operator）回歸也稱之為線性回歸的L1 正則化，該回歸可以使常量系數(shù)變小直至為0 值，因此特別適用于參數(shù)數(shù)目縮減和參數(shù)的選擇。本文采用LASSO 回歸對(duì)特征集的變量進(jìn)行篩選。通過對(duì)特征數(shù)據(jù)集進(jìn)行LASSO 回歸處理，得出其對(duì)應(yīng)相關(guān)度為[-0.32，-0.69，17.07，0.10，31.81，-2.10，3.01，2.77]，并由此觀察到該特征數(shù)據(jù)集中有三項(xiàng)特征的相關(guān)度低于1。于是采用PCA 算法，設(shè)置k 值為5，對(duì)原有的八個(gè)特征進(jìn)行降維處理，以保證其特征信息的有效性。

算法流程如下：

步驟1 計(jì)算對(duì)應(yīng)特征值的平均值并減去。

步驟2 求出特征協(xié)方差矩陣。

步驟3 求出協(xié)方差矩陣的特征值和特征向量。

步驟4 將特征值按照由大到小的順序排列，保留其中最大的k 個(gè)特征值，生成新的特征矩陣。

步驟5 將實(shí)驗(yàn)數(shù)據(jù)轉(zhuǎn)換至上述k 個(gè)新特征構(gòu)建的向量空間。

1.4 隨機(jī)森林算法概述

隨機(jī)森林算法是以集成學(xué)習(xí)思想為基礎(chǔ)，由多棵決策樹整合而來的分類算法，其每棵決策樹都是一個(gè)分類器，隨機(jī)森林集合所有分類投票結(jié)果，故其表現(xiàn)要優(yōu)于單一的決策樹。其算法流程如下：

步驟 1 特征數(shù)據(jù)集 I=[W，D，Pt，Ht，F(xiàn)f，Rf]由PCA 降維得到的實(shí)驗(yàn)特征集 Ip=[i1，i2，i3，i4，i5]。

步驟2 以隨機(jī)選取5 個(gè)特征中的2 個(gè)特征作為分裂點(diǎn)，其度量標(biāo)準(zhǔn)為基尼系數(shù)度量，以備選點(diǎn)的最小值作為最優(yōu)分裂點(diǎn)的評(píng)判標(biāo)準(zhǔn)，公式如下：

步驟3 根據(jù)上一步驟的計(jì)算方式，逐個(gè)計(jì)算每一個(gè)屬性的最優(yōu)分裂點(diǎn)，對(duì)比不同分裂點(diǎn)的基尼系數(shù)，以最小屬性并發(fā)生成多棵決策樹。

步驟4 對(duì)多棵決策樹的值進(jìn)行投票并選出最終結(jié)果。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文通過Python 爬蟲，采集并清洗了來自社區(qū)chouti.com 的公開數(shù)據(jù)，包含來自8，869 名用戶的3，450，059 條歷史發(fā)言記錄。之后對(duì)采集到的原始數(shù)據(jù)進(jìn)行了細(xì)致的檢查和分析，發(fā)現(xiàn)原始數(shù)據(jù)中存在部分無效內(nèi)容及數(shù)據(jù)重復(fù)等問題。因此本文對(duì)原始數(shù)據(jù)進(jìn)行了清洗和預(yù)處理，以保證數(shù)據(jù)的準(zhǔn)確性，最終獲得46，036 條被標(biāo)記為“該評(píng)論已被刪除”的數(shù)據(jù)。實(shí)驗(yàn)將未被刪除的數(shù)據(jù)標(biāo)記為0，被刪除的數(shù)據(jù)標(biāo)記為1，使用Sklearn 實(shí)現(xiàn)PCA 降維和隨機(jī)森林算法。

表1 數(shù)據(jù)集概述

2.2 評(píng)估指標(biāo)

本次實(shí)驗(yàn)的評(píng)估指標(biāo)采用以下四種：

TP：真陽性（True Positive），將正常評(píng)論預(yù)測為正常評(píng)論的數(shù)量；

FP：假陽性（False Positive），將惡意評(píng)論預(yù)測為正常評(píng)論的數(shù)量；

TN：真陰性（True Negative），將惡意評(píng)論預(yù)測為惡意評(píng)論的數(shù)量；

FN：假陰性（False Negative），將正常評(píng)論預(yù)測為惡意評(píng)論的數(shù)量。

性能評(píng)估使用準(zhǔn)確率（A），召回率（R），精確率（P）和召回精確率調(diào)和平均數(shù)（F1）。

2.3 實(shí)驗(yàn)結(jié)果分析

根據(jù)上述特征，本文使用了三種不同的機(jī)器學(xué)習(xí)算法（支持向量機(jī)、KNN、隨機(jī)森林）對(duì)惡意評(píng)論進(jìn)行檢測，實(shí)驗(yàn)結(jié)果如表2、圖2 所示。

表2 算法性能對(duì)比

對(duì)比支持向量機(jī)、KNN 和隨機(jī)森林算法的實(shí)驗(yàn)結(jié)果，可以觀察到三種算法的精確率和召回率各有高低，但隨機(jī)森林在準(zhǔn)確率上要高于其他兩種算法，故隨機(jī)森林算法的檢測性能最佳，準(zhǔn)確率為86.7%。所以本文選擇隨機(jī)森林與特征選擇相結(jié)合的混合模型，實(shí)現(xiàn)進(jìn)一步的性能提升。從表中可以看到，隨機(jī)森林和特征選擇相結(jié)合，可以得到85.4%的精確率、73.2%的召回率以及87.0%的準(zhǔn)確率，三項(xiàng)指標(biāo)較之單一的隨機(jī)森林均有提升效果。

圖2 ROC曲線

3 結(jié)語

中文社區(qū)評(píng)論中的惡意行為相當(dāng)豐富，且屢禁不止。在大多數(shù)網(wǎng)站的評(píng)論區(qū)中，可以觀測到用戶不友善的溝通與交流。因此，本文希望借由此項(xiàng)研究去發(fā)現(xiàn)如何檢測中文社區(qū)中的惡意評(píng)論。根據(jù)最新的研究，本文提取出數(shù)據(jù)集中被標(biāo)記數(shù)據(jù)的8 個(gè)特征，在進(jìn)行LASSO 回歸分析后，發(fā)現(xiàn)其中三項(xiàng)特征屬于弱特征。基于以上研究結(jié)果，論文采用PCA 對(duì)特征進(jìn)行降維處理，最終結(jié)合隨機(jī)森林算法對(duì)惡意行為進(jìn)行了檢測。檢測結(jié)果表明，結(jié)合了PCA 的隨機(jī)森林算法模型要比單獨(dú)采用隨機(jī)森林算法的準(zhǔn)確度高，本文提出的模型可提高惡意評(píng)論的檢測準(zhǔn)確度。