胡红

(西安培华学院 思政部， 陕西 西安 710125)

0 引言

随着互联网同日常生产生活的深入融合，使用计算机网络的用户数量不断增加，促使大数据时代的到来，网络中的信息数据量呈爆炸式增长，这些信息的传递需基于相互连接沟通的网络实现，导致网络中的数据信息量不断增加，而这些数据通常蕴含一定的使用价值，但也存在部分具有一定破坏性的不良信息，网络安全稳定运行过程会受到不良信息不同程度的破坏。不断发展的网络业务促使针对不良信息的信息过滤系统成为行业内的一项研究重点[1]。

1 网络不良信息过滤模型的构建

1.1 过滤模型结构

现有的过滤系统大多针对网络不良网页，并且以采用基于网页内容的过滤技术与方法为主，通过实时分析理解网页内容实现对文档语义的动态识别过程，其过滤效果优于基于内容分级、关键字、数据库等的过滤方式，但随着大数据时代的到来，已经难以满足对不良信息的过滤需求。对基于内容理解的有害信息过滤系统来说，对网页内容的准确分类(通过运用机器学习方法完成)是关键所在，在模式分类领域中，K最近邻分类器因具有简捷高效的分类功能而得到普遍应用，K最近邻方法(KNN)作为一种常用的分类算法发展较为成熟，作为一种懒惰学习方法，K最近邻分类方法无需估计参数和预先训练，仅在需分类测试时才对训练数据进行建模，其分类原理在于从样本特征空间中选出相邻的样本K个，在这些样本大多同属一类时，可将该测试样本划分到此类，特别适用于样本比较大的类域分类过程，分类准确率在边界较整齐时较高。……