中文Web信息作者同一认定技术研究

【摘要】： 随着互联网的日益普及,网上出现了各种各样的Web信息,比如:网上论坛、博客、电子邮件等,这些信息成为人们生活和工作中重要的信息来源。然而,这些Web信息给人们带来便利的同时,也产生许多问题,比如:某些人通过网上论坛、博客及电子邮件等手段发布反动、诈骗、色情、威胁、赌博等违法信息,网络为违法犯罪分子提供了新的犯罪空间和手段,造成极其恶劣的影响,严重影响社会的稳定以及国家和政府的安全。 目前,抵制这种现象的主要方法就是安装过滤软件,把包含敏感词汇的信息过滤掉,但是,这种被动防御的方法不能杜绝非法Web信息的现象,因为,犯罪分子会使用一些替代词汇,突破过滤软件的防御。通过立法手段,追究犯罪分子的刑事责任,可以有力地打击这种犯罪行为,国家已经出台多项相关法律,有法可依,但是,由于缺乏有效的证据,而使类似案件无法立案侦查。如果能同一认定Web信息的作者,找出犯罪分子的犯罪证据,为计算机取证提供证据,对司法办案和促进社会的安全与稳定、净化网络环境都具有重要的应用价值和现实意义。 本文利用写作风格学的原理和技术,研究Web信息作者的写作风格,提取能代表作者写作特点的写作特征,利用机器学习算法自动辨别出作者的真实身份。本文的研究集中在以下几个方面:(1)对Web信息作者身份识别相关研究领域的国内外现状进行了全面、详细地调研和分析,提出Web信息作者身份识别的系统模型和系统框架;(2)针对Web页面和E-mail信息,提出本文对Web信息内容的提取方法;(3)提取能表达Web信息作者的写作特点的三方面特征,包括语言特征、结构特征和格式特征;(4)对支持向量机算法进行了改进,提出基于相似度的渐进直推支持向量机算法(PSTSVM),使其适合小样本分类识别;(5)研究和开发了中文Web信息作者识别实验系统;(6)为了调查犯罪分子的社会关系,对社会关系网络进行了研究,提出了基于作者身份真实性判断的社会关系网络建立方法。 为了验证本文提出的研究方法的有效性,搜集大量数据,设置多个实验,对本研究各种影响因素进行了验证。实验结果表明,本研究提出的三种特征提取方法是有效的,而且各种特征的特征组合比用单个特征的效果更好,文学作品、Blog、电子邮件数据集的分类识别正确率超过86%,实验结果表明本研究所提出的方法是有效的,此方法用于计算机取证是切实可行的。