仲丽君，杨文忠，袁婷婷，向进勇

ZHONG Lijun,YANG Wenzhong,YUAN Tingting,XIANG Jinyong

新疆大学 信息科学与工程学院，乌鲁木齐 830046

College of Information Science and Engineering,Xinjiang University,Urumqi 830046,China

1 引言

随着互联网的迅速发展，社交网络在不同应用领域日益增多，已经成为人们日常生活中的重要社交工具。但与此同时，伴随着社交媒体的爆炸式增长，许多非法用户将其作为牟取利益的平台，国外的Twitter、Facebook，以及国内的网易、新浪等在线社交系统的许多用户经常受到各种异常用户的困扰。一些用户在社交网络中大肆传播虚假消息、垃圾信息等有害信息，向用户推送虚假广告，进行恶意传销，扰乱了社交平台的正常营销和推广，侵犯了公众的利益，污染了社交网络环境，对社会造成了不良的影响。因此，识别这些异常用户是社交网络研究领域的一个重要课题，对净化网络环境，维持网络秩序，提高用户上网体验，促进社会的和谐发展等具有重要作用。

异常检测在许多应用领域得到了广泛的应用，如垃圾邮件识别、入侵检测、欺诈检测、金融诈骗、故障检测、恶意用户识别、用户异常情绪、人类行为分析、网络诈骗、医学和公共卫生、工业损伤、图像处理、传感器网络等。Markou等人[1]于2003年在监督学习的基础上对异常检测的新颖性进行了研究。文献[2-3]提出了有监督学习、无监督学习以及基于聚类技术的各种异常检测方法，但是没有对网络中的异常进行检测。文献[4]提出了一种基于一个样本类和两个类别的支持向量机的混合异常检测机制。文献[5]对金融领域中基于聚类的异常识别方法进行了总结，并从不同的角度对其进行了比较。……