1、近年來(lái)隨著internet技術(shù)的發(fā)展，博客(Web blog)通過(guò)為作者和讀者之間提供交互式交流平臺(tái)和動(dòng)態(tài)更新的社會(huì)網(wǎng)絡(luò)而成為極受歡迎的一種新媒體的社會(huì)溝通機(jī)制。據(jù)調(diào)查科學(xué)研究、統(tǒng)計(jì)調(diào)查、公共建設(shè)、教育、社會(huì)福利等研究領(lǐng)域都會(huì)應(yīng)用博客的分析結(jié)果，所以博客巨大的信息源和信息量具有極其寶貴的價(jià)值。但隨之產(chǎn)生的垃圾博客(spamblog or splog)也肆意猖獗。它產(chǎn)生的主要方式是盜竊他人內(nèi)容或機(jī)器自動(dòng)生成，其目的是提高目標(biāo)網(wǎng)站在搜索引擎

2、中的排名以鏈接盈利廣告。垃圾博客造成的問(wèn)題包括：1)嚴(yán)重降低博客的檢索質(zhì)量；2)明顯浪費(fèi)網(wǎng)絡(luò)和存儲(chǔ)資源。因此，為保護(hù)博客世界的良好環(huán)境，必須對(duì)垃圾博客進(jìn)行過(guò)濾。
　　 首先本文根據(jù)博客的各種特征分析，提取了兩種高效特征并結(jié)合傳統(tǒng)的內(nèi)容特征，采用特征組合的方法對(duì)博客進(jìn)行分類。鑒于Yuuki Sato Takehito Utsuro對(duì)垃圾博客的統(tǒng)計(jì)規(guī)律以及對(duì)垃圾博客作者屬性的分析[1]，挖掘出博客的作者屬性在博客分類中的重要性。這表

3、明博客的作者屬性具有十分重要的研究?jī)r(jià)值。博客作者常會(huì)無(wú)規(guī)律地發(fā)表博客，而垃圾博客為提高網(wǎng)頁(yè)的點(diǎn)擊率進(jìn)而提高網(wǎng)站在ALEXA中的排名，須在短時(shí)間內(nèi)發(fā)表大量的博文，同時(shí)機(jī)器生成垃圾博文的速度非?？?。因此正常博客與垃圾博客在時(shí)間自相似特征上存在較大差異。本文根據(jù)文章中的作者屬性和自相似特征的不同，對(duì)博客文章進(jìn)行首次過(guò)濾，同時(shí)結(jié)合提取出的內(nèi)容特征，增加特征之間的互補(bǔ)性，使垃圾博客過(guò)濾的效率大大提高。
　　 其次，本文設(shè)計(jì)了一種針對(duì)垃圾博

4、客特征篩選的特征關(guān)聯(lián)樹分類算法。該算法根據(jù)特征之間的相關(guān)性構(gòu)造出一種特征關(guān)聯(lián)樹結(jié)構(gòu)來(lái)篩選特征，剪枝掉不相關(guān)和冗余特征，保留強(qiáng)相關(guān)和弱相關(guān)特征，同時(shí)利用期望交叉熵對(duì)特征關(guān)聯(lián)樹進(jìn)行二次篩選[2]。與傳統(tǒng)的特征選擇算法[3]相比，該算法可以消除博客樣本數(shù)據(jù)非平衡的影響，根據(jù)特征的相似度和期望交叉熵的大小，自適應(yīng)地調(diào)整特征關(guān)聯(lián)樹的規(guī)模，降低特征維度。垃圾博客過(guò)濾的對(duì)比實(shí)驗(yàn)表明，該算法用于垃圾博客過(guò)濾時(shí)，可以獲得較好的準(zhǔn)確率和召回率。