Social media platform-oriented topic mining and information security analysis by big data and deep convolutional neural network

基于大数据和深度卷积神经网络的面向社交媒体平台的主题挖掘与信息安全分析

研究背景

随着社交媒体的普及，人们越来越依赖它们来获取信息和与他人交流。但是，社交媒体平台的安全问题也越来越受到关注。例如，有些人可能会利用社交媒体来进行欺诈、诈骗或传播虚假信息。因此，需要一种方法来分析社交媒体上的话题并检测潜在的安全问题。

研究内容

这项研究使用了基于社交网络的大数据来进行社交网络安全话题的挖掘和数据分析。研究使用了深度卷积神经网络（DCNN）来分析社交网络安全问题。传统的神经网络模型无法处理长序列数据，因此采用了长短时记忆（LSTM）结构在记忆智能算法中提取微博话题信息。具体而言，通过大数据挖掘社交网络安全话题，并使用CNN搜索微博安全话题。CNN可以学习微博话题的语法和语义信息，以获取深入的数据特征。随后，通过考虑模型的准确性、召回率和F1值，将改进的DCNN模型的性能与AlexNet、卷积神经网络（CNN）和深度神经网络（DNN）进行比较。实验结果表明，在120次迭代后，改进的DCNN模型的识别准确率达到了96.17％，比其他三个模型至少高出5.4％。此外，入侵检测模型的准确率、召回率和F1值分别为88.57％、75.22％和72.05％。在最坏的情况下，构建的模型的准确率、召回率和F1值比其他方法高3.1％。改进的DCNN安全检测模型的训练和测试时间消耗稳定在65.86秒和27.90秒，比类似文献方法短得多。实验结论是，改进的DCNN具有较低的延迟特性，并且模型显示出良好的网络数据安全传输。

研究意义

这项研究提出了一种新的方法来分析社交媒体上的话题并检测潜在的安全问题。改进的DCNN模型在准确性、召回率和F1值方面表现出色，比其他三个模型都要好。此外，该模型的训练和测试时间消耗也比类似文献方法短得多。这项研究为社交媒体安全提供了一种新的解决方案，对提高社交媒体平台的安全性具有重要意义。

《Technological Forecasting and Social Change》（科技预测与社会改变）该期刊是社会科学、信息战略领域知名期刊，主要探讨技术预测与未来科学的发展与实践，在区域和城市规划领域中，该期刊排名第一（总40），影响因子为12.9。同时，该期刊是ABS三星期刊，属JCR一区，中科院管理学1区Top期刊。