社交网络异常检测

① 补单平台有那些好用的

2020年开局便是困难模式，疫情、蝗灾、足球场大的行星与地球擦肩而过、各国发生暴乱。以至于现在今年已过去一半，我们都在怀疑是不是过了一个假的2020年？

疫情爆发的三个月的时间里，2996家影视公司破产，1万2千多家教育培训机构消失，1万1千家旅游企业倒闭，5万多家小餐馆关门转让。中国有7.8亿人都在负债，47.2%的人已经发生了逾期，失业人群和待业人群都在持续走高。2020是一个绝对不平凡的年，在以后的日子我们也不会忘记今年发生了许许多多的大事件。

疫情给实体经济带来了巨大的冲击，但是电商经济似乎没有受到多大影响，电商直播遍地开花，迎来了最好的时机，连国家都在大力扶持。2020年上半年，国内电商直播超过500万场，预计今年一整年电商直播的市场额度会达到9610亿元。

所以电商经济一定还是未来经济的发展趋势。那么国内电商平台有哪些呢？现在淘宝、京东、拼多多三足鼎立，基本瓜分现在大部分网购的流量。

在去年的双11中，淘宝日活4.2亿、京东2亿、拼多多1.9亿，活跃人数荣登第一，直接超京东2.2亿。所以很多人会选在把店铺开在淘宝，毕竟在当今社会中流量就是money！

但是作为新手，怎么样才把自己店铺做起来呢？这里我们要触及要一个专业术语：补单。

网上有句话说：2020年，做淘宝不补单就只能等死。

这句话就能提到补单对于一个店铺来说是很重要的。但是作为一个新手总会遇到不少坑，比如：降权，跑路，shua手恶意退款，威胁敲诈。

今天就来分享下，做电商如何选择一个靠谱的补单平台！

首先我们要了解补单能够给你的店铺带来什么收益呢？

补单可以提升长尾词的权重。补单可以让系统快速的判定你这个产品受欢迎，加权重，然后主词也会相应的慢慢提升权重。然后适当的多放点单，慢慢权重排名就起来，真实订单就来了。

一、网上过度曝光的平台，建议大家不要选择，容易被查出事。

放单久了你就会发现，这个是真理，过度曝光查得快，死的快，现在长期发展的平台都是必须邀请才能入驻，为的都是安全。

二、小平台小团队，不要选择，容易降权和跑路。

之前听朋友说遇到一个平台，很多单子都是平台自己用软件导入多个小号自己刷，结果降权是妥妥的。

还有就是跑路。平台跑路的话，先不说资金的损失，光处理和买家自己的问题就一大堆，可以把你搞疯掉。

小团队，小平台，资金沉淀到一定的时候了就经不住诱惑跑路。跑路这种事情一旦遇到，那么损失是十分惨重的。

三、选择有资质的平台。

有资质的平台不会随便跑路，因为有些平台光是前期维护运营已经投入了巨大的成本，不会因为一些蝇头小利就跑路的。我朋友给我推荐了一个讯易百库，我基本就是在这个平台放单，暂时还没出过事。

② 动态图上的异常检测文献综述(2015)

动态图上的异常检测任务包括：发现异常的对象、关系、时点。动态图上的异常检测与静态图上的异常检测不同的地方在于：

本文首先将异常类型分为：anomalous vertices, edges, subgraphs, and events(or change)，将使用的方法分为：community detection, MDL(minimum description length) and compression, decompression, distance, probabilistic， 按每种方法使用的异常类型进行了文献学分类。各方法的主要参考文献见表1：

本文假设不同时点的节点和边都有唯一标签从而不会混淆，定义 为图序列，其中 为总时间步， ， 为节点集， 为边集， 时称 为图流。本文的主要记号见表2：

给定 ，节点集 ,打分函数 ，定义异常节点集为 ，使得对于 ， ，其中 为得分 的摘要式统计。

一个典型的异常节点如图1，其可由基于社区检测的方法识别，即： 其中 为节点所属的社会划分, 为异或操作。

给定 ，边集 ,打分函数 ，定义异常边集为 ，使得对于 ， ，其中 为得分 的摘要式统计。

一个典型的异常边如图2，可令 ，其中 为时间步 时 的权重,可以为边的概率。

给定 ，子图集 ,打分函数 ，定义异常集为 ，使得对于 ， ，其中 为得分 的摘要式统计。

两种典型的异常子图如图3,其中(a)为图的收缩，(b)为图的分裂。图的收缩可根据子图中的的数量衡量，即 ，图的分裂可由不同时间点社区的数量衡量。

与异常节点、边、子图检测不同，异常事件或异常突变检测检验的是时点。

给定 ,打分函数 ，若时点 满足: ， ，则称时点 为一个事件。

给定 ,打分函数 ，若时点 满足: ， ，则称时点 为一个突变。

通常的异常检测都使用两步法：第一步，基于特征的图表示；第二，基于机器学习的异常检测。

基于社区检测的方法关注的是社区和关联节点的演化过程，特征向量的生成亦基于图中的社区结构。不同社区检测方法的区别在于：（1）社区结构的领域，如社区内的连接性v.s.单个节点在每一步所属的社区；(2)社区结构的定义，如基于概率的软社区定义v.s.硬社区定义。基于社区检测的方法可用于异常定点、子图、突变的检测。

基于软社区匹配并单独考察每一个社区，我们可以在连续时间步内计算每个节点归属的平均变化，如果某个节点归属的平均变化显着异于其他节点，则称其为演化社区异常点。

节点社区归属的变化可以构造一个时间模式，称为软时序模式。一些文献使用了最小描述长度(MDL)结合非负矩阵分解的方法来自动检测节点角色及构造转移模型。多数文献通过抽取图中不同节点的共同模式，并比较每个节点与共同模式之间的差异来定义异常节点。部分文献使用了交替迭代优化替代常用的两步法。部分文献使用了corenet的概念，该概念不同于单纯使用density,molarity,hop-distance等概念，而是使用了节点间的加权路径，即一个节点的corenet包含该节点与权重大于给定阈值的两跳邻居。假设两个强连接的节点通常属于同一社区，则如果移除一个节点的两个邻居，一个邻域具有较高的边权重，另一个具有较低的边权重，则移除较高权重邻居的影响应更大，在每一步，每个节点首先被赋予一个异常得分，该得分衡量了其corenet的变化，异常得分较高的 各节点将被视为异常节点。

文献【69】定义了六种基于社区的异常：shrink, grow, merge, split, born, and vanish。其使用图和社区代表(representatives)进行比较以减少计算量，图代表为出现在t时刻，同时还出现在t-1、t+1或t+1与t-1时刻的节点集，社区代表是出现在其他社区最少的定点集合，基于社区代表和图代表，基于规则，判断社区是否落在六种异常中。

文献【73】定义了一种基于社区的异常：comet，周期性出现或消失的社区，演化图可表示为一个张量，然后基于低秩张量分解和MDL原则进行comet检测。

文献【3】基于多种信息源构造时序复网络，识别跨时间和网络的稳定社区结构。行为相似的网络可以用聚类或前验知识分组，如何一个社区结构在组内跨时间步稳定，但在组外没有对应社区，则该社区即为异常，如何两个社区共享一定比例的定点则称为对应。

社交网络可以根据特定时间窗口内的发文量定义事件，一个经历共同事件的组即构成一个异常子图。

通过划分图流为一致的分割来检测，分割是依据划分的相似性。

通过将最新图的顶点分区与当前增长分割中的图的分区进行比较，可以在线找到这些分割。【67】基于可返回随机的相关矩阵和molarity最大化来进行定点划分，当新图的划分与当前分割的划分有很大不同时，一个新段开始，并将新图的时间点输出为检测到的突变。两个划分的相似度使用Jaccard系数定义。GraphScope思路类似，但基于MDL来指导划分和分割。

基于MDL原则和基于该原则的压缩技术利用数据中的模式和规律性实现紧凑的图表示，其主要通过将图的邻接矩阵表示为一个二进制串，如果矩阵的行和列可以重新排列使矩阵的二进制字符串表示的熵最小化，那么压缩损失（也称为编码损失）就会最小化。数据指向的特征都来自于图或其特定子结构的编码代价；因此，异常被定义为抑制可压缩性的图或子结构（如边）

对于一条边和对应子图，如果包含该边的编码损失比不包含该边的编码损失高，则称该边为异常边。

【74】使用了一种两步交替迭代法进行节点的自动划分，当节点划分的熵收敛时，根据包含和不包含该边的编码损失，该方法也给出了边的异常度得分。

突变检测的主要思路是:连续时间步间的图是相似的，因而可以分为一组，从而降低压缩比。压缩比的上升表明新一个时间步的图与已有的图差异明显，因此是一个突变。

该方法将图集合表示为一个tensor，在该tensor上进行矩阵分解或降维，基于分解或降维后的图发现其模式和规律性，该方法可以融合更多属性信息，最常用的方法是SVD和PARAFAC（广义SVD）。

矩阵分解可用于计算每个节点的活跃（activity)向量，如果某个节点的活跃向量在连续时间步间变化明显，则称为异常节点。

【87】首先抽取每个节点的边相关矩阵 ，即该节点的每个邻域都有一行一列，对于节点 的矩阵中的一个entry 代表了边 和 间加权频率的相关性，加权频率由衰减函数获得，时间越近权重越高。M的最大特征值和对应特征向量即顶点的活跃向量的summary及边的相关性。通过寻找这些值的变化而形成的时间序列用于计算每个时间步长中每个顶点的分数，得分高于阈值的顶点将被输出为异常。

基于分解的异常事件检测有两种方法：（1）先基于分解方法来近似原始数据，然后以重建损失作为近似优劣的指标。如果某个子张量、切片或元素的重建损失很高，则即可以视其与周围数据不同特征不同，将其标记为异常事件、子图或节点。（2）跟踪奇异值和向量，以及特征值和特征向量，以检测异常顶点的显着变化。

为解决 intermediate blowup 问题（即计算中输入和输出张量超过内存限制），【81】提出了momery-efficient tucker（MET）分解方法，该方法源于Tucker分解，Tucker分解将高阶tensor用一个core tensor和每个mode(维度)矩阵表示。【80】使用了Compact Matrix Decomposition(CMD)，其可以用来计算给定矩阵的稀疏低秩矩阵。使用CMD对图流中的每个邻接矩阵进行分解，可得到重建值的时间序列，基于重建值序列可进程事件检测，典型应用有COLIBRI, PARCUBE，其中后者在斑点(spotting)异常中的表现更高效。

【84】使用了随机图模型进行基于概率模型的检测，其将真实图邻接矩阵和期望图的邻接矩阵间的差异构造为残差矩阵，对残差矩阵执行SVD，再使用线性Ramp滤波器，基于top奇异值即可进行异常时间窗口检测，通过检查正确的奇异向量来确定相应的顶点。

除以上方法，我们还可以基于分解空间的显着变化来识别事件。【77】通过对数据执行PCA，计算的特征向量可以分为正常和异常两个集合，方法是检验数据中的值映射到特征向量。在每个时间步，根据特征值对特征向量进程降序排列，第一个特征向量则包含一个在其余值的3个标准差之外的投影点，此后的每个特征向量，都构成了异常集。第二步即是将数据映射到正常和异常子空间，一旦完成了这些操作，当从上一个时间步长到当前时间步异常成分的修改超过一个阈值时，即将其视为一个事件。【83】扩展了该方法，提出了联合稀疏PCA和图引导的联合稀疏PCA来定位异常和识别对应的顶点。通过为异常集使用稀疏的成分集，可以更容易识别负责的顶点。顶点根据它们在异常子空间中对应行的值得到一个异常分数，由于异常分量是稀疏的，不异常的顶点得分为0。

图的活跃向量 为主成分，左奇异向量对应最大奇异值，奇异值和奇异向量通过对加权邻接矩阵进行SVD得到。当活跃向量大幅异于“正常活跃"向量时，即定义该时点为突变点，”正常活跃“向量由前序向量得到。

正常活跃向量 ，它是对最后W时间步中活动向量形成的矩阵进行SVD得到的左奇异向量。每个时点都定义一个得分 ,其代表了当前活跃向量与正常向量的差异。异常可以使用动态阈值方案在线发现，其中得分高于阈值的时间点被输出为变化。通过计算正常向量和活动向量之间的变化比率来找到负责的顶点，与变化最大的索引所对应的顶点被标记为异常，类似的方法也可以用于节点-节点相关矩阵的活跃向量，或基于邻居相似度的节点-节点相关矩阵。

基于距离的异常检测算法的不同点在于选择用于提取和比较距离度量，以及它们用于确定异常值和相应图的方法。

如果一些边的属性演化异于正常演化，则该边就是一个异常边。

边之间的权重使用衰减函数定义，在每个时间步长中，根据相似度得分的变化之和计算每条边的异常值得分，使用阈值或简单的 作为异常值标准。

将网络视为边的流，意味着网络没有固定的拓扑，一个边的频率和持久性可以用来作为其新颖性的指标，【48】定义了集合系统不一致性指标来度量频率和持久性，当一条边到达时，计算其差异，并与活动边集的平均不一致性值进行比较，如果边的加权不一致性大于平均不一致性的阈值水平，则声明该边为异常边，基于异常边，可以进一步识别其他异常图元素（如顶点，边，子图）。

具有许多“异常”边的子图即是异常的子图。

【52】将边的权重视为异常得分，每个时间步长上的每条边都有它自己的异常分数，给定了该边权值在所有图序列的分布，该分数表示在该特定的边上看到该特定权值的概率函数。或者，为网络中的边分配异常值分数的现有方法的输出可以用作为该方法的输入。后一种方法允许应用于任何能够为边分配异常值分数的网络，一旦完成每条边的异常打分，即可发现显着异常的区域（SARs），即一个窗口内的固定子图，其类似于HDSs。【112】提出了一种迭代算法，该算法首先固定子图发现最优时间窗口，然后固定时间窗口发现最优子图。【97】拓展了该方法，允许子图渐变，即在相邻时间步间增加或移除顶点。

定义函数 为测度图距离的函数，将其应用于连续图序列，即得到距离序列，基于该距离序列应用一些启发式算法（如基于移动平均阈值的 取值）即可得到异常事件。

称每个顶点及其egonet的特征为局部特征，整张图的特征为全局特征。每个顶点的局部特征可聚合为一个向量，基于该向量的各阶矩可构造signature向量，利用signature向量间的Canberra距离（归一化的曼哈顿距离）可构造图之间的距离函数【93】。【92】利用全局特征，定义了一种基于dK-2序列的距离测度，将高于阈值的特征视为异常点。

【96】使用了顶点亲和度（即一个顶点对另一个顶点的影响，可以用于快速信念传播）得分作为signature向量，其基于连续时间步技术顶点亲和度，基于马氏距离度量两个图的相似度，亲和度得分的变化反应并适应变化的影响水平，例如桥边的移除比正常边移除的得分更高。利用单个移动范围的质量控制，可以对相似度得分的时间序列设置一个移动阈值，如指数移动平均加权。

作为特征相似度的补充，我们也可以比较两个图的结构差异来度量突变的大小，这类方法致力于发现定义距离的函数而非发现特征向量。【88】计算了异常网络的10种距离函数，使用ARMA模型构造特征值的正常模型，然后基于正常模型计算时点的残差，残差超过给定阈值的时间即可标记为异常。10种距离函数中，基于最大共有子图的方法表现最好。【90】使用了五中得分函数（顶点/边重叠，顶点排序，向量相似度，序列相似度，signature相似度）来检测三种异常（子图缺失，顶点缺失，连通性变化），表现最好的方案是抽取每个顶点和边的特征构造signature向量，使用SimHash定义距离。

我们还可以通过计算每个图的稳健性序列来检测事件，稳健性序列是图连通性的测度，具有高稳健性的图即使在去除一些顶点或边的情况下，也能保持相同的一般结构和连通性，事件检测即发现稳健性值异常变化的时点【95】。【89】使用的是图半径的变体作为稳健性指标，图半径的定义是基于所有顶点的平均离心度，而非常用的最大离心度。

基于概率理论、分布、扫描统计学等方法可以构造“正常”样本的模型，偏离该模型的样本即视为异常，这类方法的主要区别在于构造方法、建模对象、离群值定义。

主要有两种方法：一，构造扫描统计时间序列并检测离均值若干标准差的点；二，顶点分类。

扫描统计常称为滑动窗口分析，其在数据的特征区域中发现测度统计量的局部最小或最大值。对某个特定图，扫描统计量可以是图不变特征的最大值，如边的数量。

【8】使用了一个适应测度统计量的变量，即每个节点的0-2度邻居数，然后对每个顶点的局部统计量使用近期值的均值和标准差进行标准化，图的扫描统计量即最大的标准化局部统计量。标准化可以解释每个顶点的历史信息，代表每个顶点的统计量只与自己的历史信息有关而与其他顶点无关。这保证测度的最大变化与变化的绝对量无关而与比例有关。基于扫描统计量标准化时间序列，将序列均值的五个标准差作为异常值。最负责的顶点被确定为为整个图的扫描统计值所选择的顶点。

类似于使用邻居进行扫描统计，我们还可以用Markov随机场（MRF）来发现节点的状态，并通过信念传播算法推断最大似然分配，其中，每个顶点标签取决于其邻居节点。【99】通过发现二部核来检测异常点（即诈骗犯），二部核定义为诈骗犯与从犯间的交互。利用边的插入或删除只影响局部子图这一事实，它在添加新边时逐步更新模型。在传播矩阵中，一个顶点可以处于三种状态之一：欺诈者、共犯者或诚实者。

边异常检测通常使用计数过程建模，统计上显着异于该模型的边标记为异常边。

【50】用贝叶斯离散时间计数过程来建模顶点间的通信次数（边权重），并根据新图更新模型。基于学习到的计数的分布，对新观测的边进行预测 值计算，基于 值标记异常顶点对。

首先用固定的子图，多重图，累积图来构造预期行为的模型，对模型的偏离可作为子图异常检测的依据。

【104】结合扫描统计量和隐马尔可夫模型（HMM）建模边行为，其使用的局部扫描统计量是基于两种图形状：k-path图和星型图，其将滑动窗口的扫描统计数据与其过去的值进行比较，并使用在线阈值系统识别局部异常，局部异常是所有统计上显着的子图(代表k个路径或恒星)的并集。

另一个建模动态图的方法是基于多重图，其中平行边对应于两个连续时间步顶点间的通信，初始的多重图可分解为多个针对每个时间窗口的叠套子图（TSG），TSG满足两个条件：（1）对于任何两个有共同点的边，首先开始通信的边最后完成通信；（2）存在一个根顶点r，它没有传入的边，并且有一条到TSG中每个顶点的路径。出现概率低的TSG视为异常子图。【102】

累积图即为包含直到当前时点的所有边的图，边权重依据衰减函数定义，通过识别“持久模式”来定义子图的正常行为。该持久模型识别模型如下：首先构造一种图，该图每个边根据时间来加权，然后基于该图迭代抽取最重连接成分来发现。随着累积图的发展，提取的子图将被监控，并将其当前活动与基于最近行为的预期活动进行比较来进行子图异常检测。【101】

事件检测可以基于偏离图似然模型或特征值分布的偏差来进行。

【103】提出了一种新的蓄水池抽样方法来抽取图流的结构摘要，这种在线抽样方法维持多个网络划分以构造统计上显着的摘要，当一个新图进入图流，每个边都根据不同分区的边生成模型计算出一种似然性，然后以这些似然性的几何均值作为全局图似然性。

【98】使用了类似的边生成模型，每个边 的概率都存储在矩阵 中，概率基于期望最大化估计，基于所有收发对的分布，然后为每个收发对给出潜在得分，基于所有边似然得分的均值即得到每个图的得分。

【100】计算了特征值和压缩特征等式的分布（而非计算收发对的分布），基于每个顶点都存在一个顶点局部特征时间序列的假设，可在每个时间步构造一个顶点-顶点相关矩阵，通过保留最大特征值和一组低维矩阵（每个顶点对应一个矩阵），可对相关矩阵的特征方程进行压缩，通过学习特征值和矩阵的分布，即可发现异常顶点和事件。当特征值偏离期望分布时，即认为发生了事件，当顶点的矩阵偏离矩阵分布时，可认为该顶点为异常顶点。

③ GCAN：可解释的社交媒体假新闻检测方法

目前假新闻检测问题仍然存在一些重要的挑战。比如：
①目前的一些方法要求文档为长文本，以便于能够更好地学习词和句子的表示。然而社交媒体上的一些推文大多是短文本，这就导致了一些数据稀疏性问题。
②一些SOTA的方法要求收集大量的用户评论，然而大多数用户仅仅是简单地转发推文而并不留下任何评论。
③一些研究认为社交网络中的信息扩散（即retweet）路径有助于错误信息的分类，从而学习基于树的传播结构的表示。然而，由于隐私问题，获取转发的扩散结构往往代价高昂，许多用户选择隐藏或删除社交记录。
④目前的一些方法缺乏可解释性，不能为支持谣言的可疑用户以及他们在制造谣言时关心的话题提供证据。

本文提出的方法利用源推文的短文本内容、转发用户序列以及用户资料来进行假新闻检测。也就是说本文的方法满足以下设置：
①短文本源推文；
②没有使用用户评论文本；
③没有使用社交网络和扩散网络的网络结构。

此外，我们要求假新闻检测模型具有可解释性，即在判断新闻是否虚假时突出证据。该模型将指出支持传播假新闻的可疑转发者，并突出他们特别关注的源推文中的词。

本文提出一个新的模型，即Graph-aware Co-Attention Network(GCAN)。首先从用户资料和社交互动中提取用户特征，然后使用CNN和RNN来学习基于用户特征的转发传播表示。另外使用图来建模用户之间的潜在交互，并且采用GCN来学习graph-aware的用户交互的表示。同时提出了al co-attention机制来学习源推文和转发传播之间的相关性，以及源推文和用户交互之间的相互影响。最终利用学习到的embedding来进行假新闻的二分类预测。

1. 问题陈述

是推文的集合， 是用户的集合。每个 都是短文本文档（也叫做源推文）。 表明 由 个单词组成。 中的每个用户 都对应一个用户特征向量 。当一个推文 发布以后，一些用户将会转发 从而形成一个转发记录的序列，这被称为 传播路径 。给定一个推文 ，它的传播路径表示为 ， 表明第 个用户（其用户特征向量为 ）转发了 ，这里 。转发了 的用户集合记作 ，最先转发 的用户记作 ，转发时间记作 ，其余用户 在时间 转发了 （ ）。每个 有一个binary的标签 表明是否是假新闻（ 代表 是假新闻）。我们希望能够利用上述数据来利用神经网络模型识别 是否是假新闻，另外，希望模型能够突出能够表明 真实性的一部分用户 和一些推文中的词 。

2. GCAN框架

GCAN主要包括5个部分：
①user characteristics extraction，创建特征来量化用户如何参与在线社交网络；
②new story encoding，生成源推文中单词的表示；
③user propagation representation，使用提取的用户特征建模和表示源推文如何由用户传播；
④al co-attention mechanisms，捕获源推文和用户交互/传播之间的相关性；
⑤making prediction，通过连接所有学习的表示生成检测结果。

GCAN的架构图如下：

3. 模型

用户 的特征向量 是定义得到的，具体的，包含以下特征：
①用户自我描述的字数；
②用户账户名的字数；
③关注用户 的数量；
④用户关注的人的数量；
⑤用户创建的story数量；
⑥举例用户第一个story经过的时间；
⑦用户的账户是否被验证过；
⑧用户是否允许地理空间定位；
⑨源推文发布时间和用户转发时间的时差；
⑩用户和源推文之间转发路径的长度（如果用户转发源推文则为1）。

最终得到 ， 是特征的数量。

给定的源推文将使用一个word-level的encoder进行编码，输入是 中的每一个单词的独热向量。由于每个推文长度都不一样，这里设置 为最大长度，不足 的推文进行zero padding。使用 来表示源推文的独热编码表示， 是词的独热向量，使用一个全连接网络来获得word embedding ， 是word embedding的维度，过程是：

然后使用GRU来学习词序列表示，也就是 ，最终得到 。

我们的目的是利用提取的用户特征 以及推文的传播序列来学习用户传播表示。其根本观点是，真实新闻传播中的用户特征与虚假新闻传播中的用户特征是不同的。这里的输入是推文 的转发用户特征向量序列，用 表示， 是选定的固定长度的转发用户数量。如果转发用户数量超过 则截取前 个，如果少于 则从 中重采样直至长度为 。

给定传播序列 ，使用GRU来学习传播表示， ，最终通过平均池化获得传播表示 ， 。

采用2D卷积来学习 内特征的相关性，考虑 个连续用户来建模其序列相关性，比如 ，卷积核 的大小就是 ，总共使用 个卷积核，因此最终学习到的表示序列 。

我们的目的是创建一个图来建模转发用户之间潜在的交互，想法是拥有特殊特征的用户之间的相关性对揭示源推文是否是假新闻能够起到作用。每个源推文 的转发用户集合 都被用来构建一个图 。由于用户间的真实交互是不清楚的，因而这个图是全连接的，也就是任意节点相连， 。结合用户特征，每条边 都被关联到一个权重 ，这个权重也就是节点用户特征向量 和 的余弦相似度，即 ，图的邻接矩阵 。

然后使用第三代GCN来学习用户交互表示。给定邻接矩阵 和用户特征矩阵 ，新的 维节点特征矩阵 计算过程为：

是层数， ， 是度矩阵， 是第 层的学习参数， 是激活函数。这里 ，实验时选择堆叠两层GCN层，最终学习到的表示为 。

我们认为假新闻的证据可以通过调查源推文的哪些部分是由哪些类型的转发用户关注的来揭开，并且线索可以由转发用户之间如何互动来反映。因此，本文提出了al co-attention机制，来建模：
①源推文（ ）与用户传播embedding（ ）之间以及
②源推文（ ）与graph-aware的交互embedding（ ）之间
的相互作用。通过al co-attention的注意力权重，模型可以具有可解释性。

首先计算一个相似性矩阵 ：

这里 是一个 的参数矩阵。接着按照以下方式得到 和 ：

这里 ，这里的 和 可以看做在做user-interaction attention空间和source story word attention空间的转换。接下来得到attention的权重：

这里 ， 是学习的参数。最后可以得到源推文和用户交互的attention向量：

和 描述源推文中的单词是如何被用户参与互动的。

按照上述类似过程生成 和 的attention向量 和 。

注意基于GRU的传播表示没有用来学习与 的交互。这是因为对于假新闻的预测来说，转发序列的用户特征能够起到重要的作用。因此本文采用基于GRU和CNN的两种方式来学习传播表示，其中基于CNN的传播表示被用来学习与 的交互，基于GRU的传播表示在进行最终预测时用作最终分类器的直接输入。

最终使用 来进行假新闻检测：

损失函数采用交叉熵损失。

对比了多项baseline的结果，效果有明显的提升：

GCAN也可以用于假新闻早期的检测，也就是在转发用户不多的时候进行检测，实验改动了使用的转发用户数量来进行验证：

另外移除了一部分组件进行了消融实验，图中-A,-R,-G,-C分别代表移除al co-attention，基于GRU的表示，graph-aware的表示和基于CNN的表示：

-S-A代表既没有源推文embedding也没有al co-attention，由于源推文提供了基本线索，因此-S-A有一个明显的性能下降。

source-propagation co-attention学习到的attention权重可以用来为预测假新闻提供证据，采用的方式就是标识出源推文中的重要的词和可疑的用户。注意，我们不考虑source-interaction Co-attention的可解释性，因为从构造的图中学到的用户交互特征不能直观地解释。

下图是根据对源推文中的attention权重绘制的两个例子的词云（权重越大，词云中的词就越大）：

图中结果满足常识，也就是假新闻倾向于使用戏剧性和模糊的词汇，而真实新闻则是被证实和核实事实的相关词汇。

另外我们希望利用传播中的转发顺序来揭示假新闻与真新闻的行为差异。下图采集并展示了三个假新闻和三个真新闻的传播序列attention的权重：

结果表明，要确定一个新闻是否虚假，首先应该检查早期转发源推文的用户的特征。假新闻的用户attention权重可能在传播过程中均匀分布。

source-propagation co-attention可以进一步解释可疑用户的特征及其关注的词语，举例如下图：

可以发现，可疑用户在转发传播中的特征有：
①账号未被验证；
②账号创建时间较短；
③用户描述长度较短；
④距发布源推文用户的图路径长度较短。

他们高度关注的词是“breaking”和“pipeline”这样的词。我们认为这样的解释有助于解读假新闻的检测，从而了解他们潜在的立场。

④ 为什么登陆新浪微博总显示网络异常

有以下可能：

1、由于您的帐号或所在网络环境违反了新浪微博的安全规则被判断为帐号异常，此时只需要按照引导完成手机验证即可恢复正常使用；http://help.weibo.com/selfservice/mobile_check

2、系统检测到您的帐号有被盗风险，为了保障帐号安全，请您完成手机验证后进行帐号安全设置以提升帐号安全等级。
提示：使用手机号即可进行验证，目前已支持部分非大陆地区手机号验证，包括美国、加拿大、台湾、香港、澳门、马来西亚、澳洲、日本、韩国(南韩)、韩国(北韩)、新加坡、英国、法国、俄罗斯、印度、泰国。

非大陆地区用户操作时根据页面提示选择对应的国家分类输入手机号码即可。

新浪微博是一个由新浪网推出，提供微型博客服务类的社交网站。用户可以通过网页、WAP页面、手机客户端、手机短信、彩信发布消息或上传图片。新浪可以把微博理解为"微型博客"或者"一句话博客"。用户可以将看到的、听到的、想到的事情写成一句话，或发一张图片，通过电脑或者手机随时随地分享给朋友，一起分享、讨论；还可以关注朋友，即时看到朋友们发布的信息。

新浪科技于2016年1月20日中午获悉，微博开放平台将于近日，正式开放微博140字的发布限制。此项功能，预计于1月28日对微博会员开放试用权限，预计于2月28日正式对微博全量用户开放。2月25日，国家互联网信息办公室有关业务局会同北京市网信办就传播淫秽色情信息突出问题联合约谈新浪微博负责人，要求其切实履行好互联网信息服务提供者主体责任，立即开展自查自纠，全面清理淫秽色情信息，切实维护良好网络生态。2017年10月12日下午新浪微博发布在未来会增加两大功能，一是微博发布内容后可编辑；二是博主对评论的先审后放。

1.网页本身的问题,目前许多网站都是用的免费共享型模板，一般这样的模板都存在不通用，原模板的所有js（javascript)脚本可能又没有被完全用到。加之设计者的水平或是疏忽等问题。导致在页面上找不到js对象。就会显示出网页有问题的现象。
2.用户电脑本身问题。如是用的浏览器的版本问题，或者所浏览页面需要某些插件和组件，可能曾经设置屏蔽和没有安装都可能出现网页上有错误问题。
3.恶意病毒和流氓插件引起。许多网民在不知情的情况下，安装一些带有流氓捆绑插件的安装程序，这样的情况也容易导致出现网页上有错误。
网页上有错误解决方案
首先，来介绍下手动解决网页上有错误解决方法（操作较繁琐）
1、点击“开始”菜单，打开“运行”。
2、输入regsvr32 jscript.dll后选择“确定”。 出现提示（jscript.dll中的DIIRegisterServer成功）后，点击“确定”。
3、再次输入regsvr32 vbscript.dll选择“确定”。 再一次出现提示（vbscript.dll中的DIIRegisterServer成功）后，点“确定”。 经过以上两次成功提示，说明已成功修复IE组件。
4、将浏览器的过滤等功能关闭后，清除一下浏览器的缓存（工具->Internet选项->（在Internet临时文件框中-删除Cookies），再点Internet临时文件框中删除文件（记得勾上删除所有脱机内容），确定后，然后再重新打开浏览器尝试

⑤ 微信为什么登录不上去，显示网络异常怎么办

原因和处理办法如下：
1、微信登录的身份验证已经过期，可以在登录窗口重新输入微信账号和登录密码进行登录操作。
2、添加好友操作过于频繁，被系统检测到并进行限制，可以先停止目前频繁的操作，等过了24小时之后再操作。
3、微信程序出现异常，可以先退出微信并关闭手机其他后台运行的软件，然后再重新打开和登录微信。
4、可能是设置了自动清理，正好微信就在清理的列表里面，在安全中心里的授权管理看看就知道了。
拓展资料：
微信是腾讯公司于2011年1月21日推出的一个为智能终端提供即时通讯服务的免费应用程序 ，由张小龙所带领的腾讯广州研发中心产品团队打造 。微信支持跨通信运营商、跨操作系统平台通过网络快速发送免费（需消耗少量网络流量）语音短信、视频、图片和文字，同时，也可以使用通过共享流媒体内容的资料和基于位置的社交插件“摇一摇”、“漂流瓶”、“朋友圈”、”公众平台“、”语音记事本“等服务插件。
截止到2016年第二季度，微信已经覆盖中国 94% 以上的智能手机，月活跃用户达到 8.06亿，用户覆盖 200 多个国家、超过 20 种语言。此外，各品牌的微信公众账号总数已经超过 800 万个，移动应用对接数量超过 85000 个，广告收入增至36.79亿人民币，微信支付用户则达到了 4 亿左右。
微信提供公众平台、朋友圈、消息推送等功能，用户可以通过“摇一摇”、“搜索号码”、“附近的人”、扫二维码方式添加好友和关注公众平台，同时微信将内容分享给好友以及将用户看到的精彩内容分享到微信朋友圈。

⑥ 风靡社交网络让明星都为之疯狂的MBTI人格测试，究竟是科学还是玄学

你据说过“MBTI”吗？近期它正悄悄的爬上各种社交网络平台，遭受许多年青人的青睐。很多人立即用神奇的四个字母来替代性情，ENTP、ISTP……乃至冬季奥运会总冠军谷爱凌在访谈中也曾透露，自己做过MBTI检测，数据显示她是INTJ。许多网民高兴地说：“我居然和谷爱凌是同一种人耶！”听说，有很多全球500强企业招聘时都是采用这一评定量表，来分辨应聘者的个性化是不是合乎企业气场。“MBTI”一检测，就能给人判定了？真有那么玄妙吗？

许毅说，现如今的社会心理学，有两极化的发展趋势，一极是愈来愈认真细致，一极是愈来愈趣味性。从科学正确引导视角而言，可不必草率地封建迷信这种盛行互联网的考试题。“人的个性是流动性的，个人经历、心理状态承受力的不一样，造成的性子也会各有不同，千万不要被框死，那便是为自己画地成牢了。”

⑦ 陌陌检测设备信息存在异常什么原因

陌陌检测设备信息存在异常什么原因，如果提示设备异常，这是由于你之前在这台手机设备上的陌陌存在违规的操作或者注册过多个号，所以平台将你的手机设备记录进黑名单，当你在这台手机再次注册或者上号的时候系统就会检测你的设备是异常的，你的号会被封禁。解决这个问题，只能通过硬改手机设备的方法，硬改可不是刷机哦，刷机只是恢复一下系统，硬件信息还是没变的，而手机硬改就是通过技术手段更改手机内部的所有硬件参数，改成真正的全新的能过平台检测的手机，硬改过之后这台手机就和新手机是一样的。陌陌不只是检测你的设备，而是从多个层面去检测你的注册环境也就是常说的大数据分析，首先有三个方面：设备，定位，网络。如果这三个都正常那么就不会出现设备异常了。飞哥技术专门解决这些问题，有需要的可以去问问！

就智能入口而言，利用图像识别技术，可以快速地识别出陌生人的喜好，并把他们联系起来。它的理论依据是：物以类聚，人以群分。例如，扫一款万物社交产品“牛羊”APP，以及扫萌宠社交产品“握爪”APP，要加对方好友，只需使用一个摄像头，瞄准你想扫的物体(比如自己的宠物)，可以通过APP内置的图像识别技术把“同类人”进行配对(相关技术已申请国家发明专利)。

对于提高聊天体验，AI的应用也很广泛。比方说语音识别技术，大大提高了发送语音消息/视频消息的体验，甚至可以解放双手，不用再用一只手指按住录音按钮。这两只手的自由体验，很像一次“新生”，我们已经在“牛”APP和“握爪子”APP中使用了这一专利技术，以提高该产品目前的聊天体验。比如，利用人脸识别技术，可以产生许多炫酷的图片和视频效果，目前已有不少产品采用这种技术。

而在内容构建方面，AI除了之前已经提到过的对相机特效的提升，还主要用于智能分发。就像今天的头条，抖音的智能推荐算法，完全改变了以前的朋友关注机制，基本上是所有社交产品中使用的。这一智能推荐的发布机制，可以不需要朋友或者特殊注意的存在，而是通过查看用户的阅读、评论互动等历史信息，推荐自己喜欢的内容。如今，《握拳》APP已经建立了萌宠社区，并且采用智能推荐算法，能够更好的满足用户的个性化需求。值得注意的是，我们已申请发明专利的智能推荐算法并不依赖于用户的肖像，而是受用户自身行为的驱使(比如完播情形)。

除了腾讯，莫莫自己做盲盒产品，一些大厂商选择搭建潮玩平台。

这里最典型的就是腾讯。2019年，腾讯体育推出了一项名为呵呵社区的业务，这是腾讯首次试水拓展运动鞋业务，以得物App为目标。依托腾讯体育在直播比赛中的推广，甚至包括送奔驰的活动，呵呵社区在腾讯体育的粉丝中站稳了脚跟，为大量喜欢时尚运动鞋的用户提供了新的平台。

随着业务的发展，腾讯于今年1月推出了应用，正式进入潮鞋市场，将业务拓展到玩具、服装等，为不同类型的潮玩家提供了聚集地。

拼多多也以潮鞋、潮衣为切入点进入潮玩市场，但与腾讯相比，拼多多更愿意打造卖方市场。

去年，品多多对时尚游戏的新兴市场感兴趣。在上半年的100亿补贴期间，推出了时尚鞋玩家日，并在其应用程序中建立了时尚鞋馆，交易时尚游戏产品，取得了良好的效果。

同年8月，品多多推出了一款名为多潮的微信小程序，旨在为年轻人提供一个观点和交流时尚商品的平台。用户可以在多潮中发帖或加入特定圈子进行讨论和交流。可以理解为发展时尚游戏业务的补充，努力打造时尚游戏爱好者社区。但很快项目就停止了。

Tech星球(微信ID:Tech618)了解到品多多有新的动作，最近测试了潮衣馆和潮鞋馆两个软件。据相关人士透露，这两款软件瞄准了目前最热门的潮玩分类市场，年后将上线。经过一年对潮玩业务的测试，品多多似乎把更完善的功能集中在这两款软件上，试图通过这些软件在潮玩市场占有一席之地。

张小龙认为，视频表达将成为未来十年内容领域的主旋律，而且未来的视频格式不应该以文件的形式出现，应该以结构数据的形式，标记诸如创造者等信息，存储在云中。

但是视频号仅仅是因为“近5年来，微信用户每天发送的视频消息数量增加了33倍，朋友圈发布视频数量增加了10倍”，是否能够满足用户需求？也许没有。

大家都知道快手系App是短视频的代表，它正抢夺其他公司App用户的使用时间。

QuestMobile数据显示，短视频行业MAU用户已达8.52亿，短视频用户已占总时长的20%，仅次于以微信为代表的即时通讯。与此同时，头条系、快手系App使用率不断上升，比去年同期分别增长了3.3%和2.7%，微信所属的腾讯系App使用时也比去年同期下降4.3%。[1]

图片|QuestMobile。

在整个视频产业中，创作者/UP主之间发生了几场争斗。

据业内媒体《深燃》采访，从2020年下半年起，除了原本计划中的视频外，腾讯视频、在网络好看视频之外，长视频平台芒果tv，斗鱼虎牙，知识社区甚至是生活方式分享平台，小规模ACG爱好者社区半次元等，开始向他们扔橄榄枝。[2]

但是问题在于，视频行业的火爆，难道和张小龙所说的“微信用户每天发送的视频信息增加33倍”是一回事吗？《朋友圈视频发表数增长10倍》，跟抖音B站UP主发视频，也是一件事吗？

没有一个。微博的诞生，与微信生态中视频分享弱相关，而与视频领域的竞争强相关、让人感到矛盾和疑惑的，是微信号打着个人分享的旗号，却是在到处都是试图将用户原本向周围人分享的内容。

仔细看一下昨晚的微信之夜，关于视频号的争论已经略微平息。另一方面，张小龙否认视频号是缓解腾讯短视频焦虑的一个办法。现场明确淡化视频号在腾讯系统中的权重，表示视频号并未向公司询问资源，甚至没有立项，腾讯的战略重点不是视频号，而是微视。

⑧ 如何检测社交网络中两个人是否是朋友关系（union-find算法）

春节放假会了老家，停更了很多天，这是年后连夜肝出来的第一篇文章，先来聊聊春节放假期间发生的事，这次回家遇到了我学生时代的女神，当年她在我心目中那是

没想到这次遇到了她，身体发福，心目中女神的形象瞬间碎了，就像达芬奇再次遇到了蒙娜丽莎

好了，言归正传。

有时候我们可以需要判断在大型网络中两台计算机是否相连，是否需要建立一条新的连接才能通信；或者是在社交网络中判断两个人是否是朋友关系（相连表示是朋友关系）。在这种应用中，通常我们可能需要处理数百万的对象和数亿的连接，如何能够快速的判断出是否相连呢？这就需要使用到union-find算法

假如输入一对整数，其中每个数字表示的是某种对象（人、地址或者计算机等等），整数对p,q理解为“p与q相连”，相连具有以下特性：

假设相连是一个种等价关系，那么等价关系能够将对象划分为多个等价类，在该算法中，当且仅当两个对象相连时他们才属于同一个等价类

整个网络中的某种对象称为触点

将整数对称为连接，将等价类称作连通分量或者简称分量

union-find算法的目标是当程序从输入中读取了整数对p q时，如果已知的所有整数对都不能说明p q是相连的，那么将这一对整数输出，否则忽略掉这对整数；我们需要设计数据结构来保存已知的所有整数对的信息，判断出输入的整数对是否是相连的，这种问题叫做动态连通性问题。

如果两个触点在不同的分量中，union操作会使两个分量归并。一开始我们有N个分量（每个触点表示一个分量），将两个分量归并之后数量减一。

抽象实现如下：

接下来我们就主要来讨论如何实现union方法和find方法

这种算法的实现思路是在同一个连通分量中所有触点在id[]中的值都是相同的，判断是否连通的connected的方法就是判断id[p]是否等于id[q]。

为了提高union方法的速度，我们需要考虑另外一种算法；使用同样的数据结构，只是重新定义id[]表示的意义，每个触点所对应的id[]值都是在同一分量中的另一个触点的名称

在数组初始化之后，每个节点的链接都指向自己；id[]数组用 父链接 的形式表示了 森林 ，每一次union操作都会找出每个分量的 根节点 进行归并。

find方法需要访问数组n-1次，那么union方法的时间复杂度是O(n²)

为了保证quick-union算法最糟糕的情况不在出现，我需要记录每一个树的大小，在进行分量归并操作时总是把小的树连接到大的树上，这种算法构造出来树的高度会远远小于未加权版本所构造的树高度。

union-find算法只能判断出给定的两个整数是否是相连的，无法给出具体达到的路径；后期我们聊到图算法可以给出具体的路径

文中或许会存在或多或少的不足、错误之处，有建议或者意见也非常欢迎大家在评论交流。

最后， 写作不易，请不要白嫖我哟 ，希望朋友们可以 点赞评论关注 三连，因为这些就是我分享的全部动力来源🙏

⑨ 对于社交网络的数据挖掘应该如何入手，使用哪些算法

3月13日下午，南京邮电大学计算机学院、软件学院院长、教授李涛在CIO时代APP微讲座栏目作了题为《大数据时代的数据挖掘》的主题分享，深度诠释了大数据及大数据时代下的数据挖掘。

众所周知，大数据时代的大数据挖掘已成为各行各业的一大热点。
一、数据挖掘
在大数据时代，数据的产生和收集是基础，数据挖掘是关键，数据挖掘可以说是大数据最关键也是最基本的工作。通常而言，数据挖掘也称为DataMining，或知识发现Knowledge Discovery from Data，泛指从大量数据中挖掘出隐含的、先前未知但潜在的有用信息和模式的一个工程化和系统化的过程。
不同的学者对数据挖掘有着不同的理解，但个人认为，数据挖掘的特性主要有以下四个方面：
1.应用性（A Combination of Theory and Application）：数据挖掘是理论算法和应用实践的完美结合。数据挖掘源于实际生产生活中应用的需求，挖掘的数据来自于具体应用，同时通过数据挖掘发现的知识又要运用到实践中去，辅助实际决策。所以，数据挖掘来自于应用实践，同时也服务于应用实践，数据是根本，数据挖掘应以数据为导向，其中涉及到算法的设计与开发都需考虑到实际应用的需求，对问题进行抽象和泛化，将好的算法应用于实际中，并在实际中得到检验。
2.工程性（An Engineering Process）：数据挖掘是一个由多个步骤组成的工程化过程。数据挖掘的应用特性决定了数据挖掘不仅仅是算法分析和应用，而是一个包含数据准备和管理、数据预处理和转换、挖掘算法开发和应用、结果展示和验证以及知识积累和使用的完整过程。而且在实际应用中，典型的数据挖掘过程还是一个交互和循环的过程。
3.集合性（A Collection of Functionalities）：数据挖掘是多种功能的集合。常用的数据挖掘功能包括数据探索分析、关联规则挖掘、时间序列模式挖掘、分类预测、聚类分析、异常检测、数据可视化和链接分析等。一个具体的应用案例往往涉及多个不同的功能。不同的功能通常有不同的理论和技术基础，而且每一个功能都有不同的算法支撑。
4.交叉性（An Interdisciplinary Field）：数据挖掘是一门交叉学科，它利用了来自统计分析、模式识别、机器学习、人工智能、信息检索、数据库等诸多不同领域的研究成果和学术思想。同时一些其他领域如随机算法、信息论、可视化、分布式计算和最优化也对数据挖掘的发展起到重要的作用。数据挖掘与这些相关领域的区别可以由前面提到的数据挖掘的3个特性来总结，最重要的是它更侧重于应用。
综上所述，应用性是数据挖掘的一个重要特性，是其区别于其他学科的关键，同时，其应用特性与其他特性相辅相成，这些特性在一定程度上决定了数据挖掘的研究与发展，同时，也为如何学习和掌握数据挖掘提出了指导性意见。如从研究发展来看，实际应用的需求是数据挖掘领域很多方法提出和发展的根源。从最开始的顾客交易数据分析（market basket analysis）、多媒体数据挖掘（multimedia data mining）、隐私保护数据挖掘（privacy-preserving data mining）到文本数据挖掘（text mining）和Web挖掘（Web mining），再到社交媒体挖掘（social media mining）都是由应用推动的。工程性和集合性决定了数据挖掘研究内容和方向的广泛性。其中，工程性使得整个研究过程里的不同步骤都属于数据挖掘的研究范畴。而集合性使得数据挖掘有多种不同的功能，而如何将多种功能联系和结合起来，从一定程度上影响了数据挖掘研究方法的发展。比如，20世纪90年代中期，数据挖掘的研究主要集中在关联规则和时间序列模式的挖掘。到20世纪90年代末，研究人员开始研究基于关联规则和时间序列模式的分类算法（如classification based on association），将两种不同的数据挖掘功能有机地结合起来。21世纪初，一个研究的热点是半监督学习（semi-supervised learning）和半监督聚类（semi-supervised clustering），也是将分类和聚类这两种功能有机结合起来。近年来的一些其他研究方向如子空间聚类（subspace clustering）（特征抽取和聚类的结合）和图分类（graph classification）（图挖掘和分类的结合）也是将多种功能联系和结合在一起。最后，交叉性导致了研究思路和方法设计的多样化。
前面提到的是数据挖掘的特性对研究发展及研究方法的影响，另外，数据挖掘的这些特性对如何学习和掌握数据挖掘提出了指导性的意见，对培养研究生、本科生均有一些指导意见，如应用性在指导数据挖掘时，应熟悉应用的业务和需求，需求才是数据挖掘的目的，业务和算法、技术的紧密结合非常重要，了解业务、把握需求才能有针对性地对数据进行分析，挖掘其价值。因此，在实际应用中需要的是一种既懂业务，又懂数据挖掘算法的人才。工程性决定了要掌握数据挖掘需有一定的工程能力，一个好的数据额挖掘人员首先是一名工程师，有很强大的处理大规模数据和开发原型系统的能力，这相当于在培养数据挖掘工程师时，对数据的处理能力和编程能力很重要。集合性使得在具体应用数据挖掘时，要做好底层不同功能和多种算法积累。交叉性决定了在学习数据挖掘时要主动了解和学习相关领域的思想和技术。
因此，这些特性均是数据挖掘的特点，通过这四个特性可总结和学习数据挖掘。
二、大数据的特征
大数据（bigdata）一词经常被用以描述和指代信息爆炸时代产生的海量信息。研究大数据的意义在于发现和理解信息内容及信息与信息之间的联系。研究大数据首先要理清和了解大数据的特点及基本概念，进而理解和认识大数据。
研究大数据首先要理解大数据的特征和基本概念。业界普遍认为，大数据具有标准的“4V”特征：
1.Volume（大量）：数据体量巨大，从TB级别跃升到PB级别。
2.Variety（多样）：数据类型繁多，如网络日志、视频、图片、地理位置信息等。
3.Velocity（高速）：处理速度快，实时分析，这也是和传统的数据挖掘技术有着本质的不同。
4.Value（价值）：价值密度低，蕴含有效价值高，合理利用低密度价值的数据并对其进行正确、准确的分析，将会带来巨大的商业和社会价值。
上述“4V”特点描述了大数据与以往部分抽样的“小数据”的主要区别。然而，实践是大数据的最终价值体现的唯一途径。从实际应用和大数据处理的复杂性看，大数据还具有如下新的“4V”特点：
5.Variability（变化）：在不同的场景、不同的研究目标下数据的结构和意义可能会发生变化，因此，在实际研究中要考虑具体的上下文场景（Context）。
6.Veracity（真实性）：获取真实、可靠的数据是保证分析结果准确、有效的前提。只有真实而准确的数据才能获取真正有意义的结果。
7.Volatility（波动性）/Variance（差异）：由于数据本身含有噪音及分析流程的不规范性，导致采用不同的算法或不同分析过程与手段会得到不稳定的分析结果。
8.Visualization（可视化）：在大数据环境下，通过数据可视化可以更加直观地阐释数据的意义，帮助理解数据，解释结果。
综上所述，以上“8V”特征在大数据分析与数据挖掘中具有很强的指导意义。
三、大数据时代下的数据挖掘
在大数据时代，数据挖掘需考虑以下四个问题：
大数据挖掘的核心和本质是应用、算法、数据和平台4个要素的有机结合。
因为数据挖掘是应用驱动的，来源于实践，海量数据产生于应用之中。需用具体的应用数据作为驱动，以算法、工具和平台作为支撑，最终将发现的知识和信息应用到实践中去，从而提供量化的、合理的、可行的、且能产生巨大价值的信息。
挖掘大数据中隐含的有用信息需设计和开发相应的数据挖掘和学习算法。算法的设计和开发需以具体的应用数据作为驱动，同时在实际问题中得到应用和验证，而算法的实现和应用需要高效的处理平台，这个处理平台可以解决波动性问题。高效的处理平台需要有效分析海量数据，及时对多元数据进行集成，同时有力支持数据化对算法及数据可视化的执行，并对数据分析的流程进行规范。
总之，应用、算法、数据、平台这四个方面相结合的思想，是对大数据时代的数据挖掘理解与认识的综合提炼，体现了大数据时代数据挖掘的本质与核心。这四个方面也是对相应研究方面的集成和架构，这四个架构具体从以下四个层面展开：
应用层（Application）：关心的是数据的收集与算法验证，关键问题是理解与应用相关的语义和领域知识。
数据层（Data）：数据的管理、存储、访问与安全，关心的是如何进行高效的数据使用。
算法层（Algorithm）：主要是数据挖掘、机器学习、近似算法等算法的设计与实现。
平台层（Infrastructure）：数据的访问和计算，计算平台处理分布式大规模的数据。
综上所述，数据挖掘的算法分为多个层次，在不同的层面有不同的研究内容，可以看到目前在做数据挖掘时的主要研究方向，如利用数据融合技术预处理稀疏、异构、不确定、不完整以及多来源数据；挖掘复杂动态变化的数据；测试通过局部学习和模型融合所得到的全局知识，并反馈相关信息给预处理阶段；对数据并行分布化，达到有效使用的目的。
四、大数据挖掘系统的开发
1.背景目标
大数据时代的来临使得数据的规模和复杂性都出现爆炸式的增长，促使不同应用领域的数据分析人员利用数据挖掘技术对数据进行分析。在应用领域中，如医疗保健、高端制造、金融等，一个典型的数据挖掘任务往往需要复杂的子任务配置，整合多种不同类型的挖掘算法以及在分布式计算环境中高效运行。因此，在大数据时代进行数据挖掘应用的一个当务之急是要开发和建立计算平台和工具，支持应用领域的数据分析人员能够有效地执行数据分析任务。
之前提到一个数据挖掘有多种任务、多种功能及不同的挖掘算法，同时，需要一个高效的平台。因此，大数据时代的数据挖掘和应用的当务之急，便是开发和建立计算平台和工具，支持应用领域的数据分析人员能够有效地执行数据分析任务。
2.相关产品
现有的数据挖掘工具
有Weka、SPSS和SQLServer，它们提供了友好的界面，方便用户进行分析，然而这些工具并不适合进行大规模的数据分析，同时，在使用这些工具时用户很难添加新的算法程序。
流行的数据挖掘算法库
如Mahout、MLC++和MILK，这些算法库提供了大量的数据挖掘算法。但这些算法库需要有高级编程技能才能进行任务配置和算法集成。
最近出现的一些集成的数据挖掘产品
如Radoop和BC-PDM，它们提供友好的用户界面来快速配置数据挖掘任务。但这些产品是基于Hadoop框架的，对非Hadoop算法程序的支持非常有限。没有明确地解决在多用户和多任务情况下的资源分配。
3.FIU-Miner
为解决现有工具和产品在大数据挖掘中的局限性，我们团队开发了一个新的平台——FIU-Miner，它代表了A Fast,Integrated,and User-Friendly System for Data Miningin Distributed Environment。它是一个用户友好并支持在分布式环境中进行高效率计算和快速集成的数据挖掘系统。与现有数据挖掘平台相比，FIU-Miner提供了一组新的功能，能够帮助数据分析人员方便并有效地开展各项复杂的数据挖掘任务。
与传统的数据挖掘平台相比，它提供了一些新的功能，主要有以下几个方面：
A.用户友好、人性化、快速的数据挖掘任务配置。基于“软件即服务”这一模式，FIU-Miner隐藏了与数据分析任务无关的低端细节。通过FIU-Miner提供的人性化用户界面，用户可以通过将现有算法直接组装成工作流，轻松完成一个复杂数据挖掘问题的任务配置，而不需要编写任何代码。
B.灵活的多语言程序集成。允许用户将目前最先进的数据挖掘算法直接导入系统算法库中，以此对分析工具集合进行扩充和管理。同时，由于FIU-Miner能够正确地将任务分配到有合适运行环境的计算节点上，所以对这些导入的算法没有实现语言的限制。
C.异构环境中有效的资源管理。FIU-Miner支持在异构的计算环境中（包括图形工作站、单个计算机、和服务器等）运行数据挖掘任务。FIU-Miner综合考虑各种因素（包括算法实现、服务器负载平衡和数据位置）来优化计算资源的利用率。
D.有效的程序调度和执行。
应用架构上包括用户界面层、任务和系统管理层、逻辑资源层、异构的物理资源层。这种分层架构充分考虑了海量数据的分布式存储、不同数据挖掘算法的集成、多重任务的配置及系统用户的交付功能。一个典型的数据挖掘任务在应用之中需要复杂的主任务配置，整合多种不同类型的挖掘算法。因此，开发和建立这样的计算平台和工具，支持应用领域的数据分析人员进行有效的分析是大数据挖掘中的一个重要任务。
FIU-Miner系统用在了不同方面：如高端制造业、仓库智能管理、空间数据处理等，TerraFly GeoCloud是建立在TerraFly系统之上的、支持多种在线空间数据分析的一个平台。提供了一种类SQL语句的空间数据查询与挖掘语言MapQL。它不但支持类SQL语句，更重要的是可根据用户的不同要求，进行空间数据挖掘，渲染和画图查询得到空间数据。通过构建空间数据分析的工作流来优化分析流程，提高分析效率。
制造业是指大规模地把原材料加工成成品的工业生产过程。高端制造业是指制造业中新出现的具有高技术含量、高附加值、强竞争力的产业。典型的高端制造业包括电子半导体生产、精密仪器制造、生物制药等。这些制造领域往往涉及严密的工程设计、复杂的装配生产线、大量的控制加工设备与工艺参数、精确的过程控制和材料的严格规范。产量和品质极大地依赖流程管控和优化决策。因此，制造企业不遗余力地采用各种措施优化生产流程、调优控制参数、提高产品品质和产量，从而提高企业的竞争力。
在空间数据处理方面，TerraFly GeoCloud对多种在线空间数据分析。对传统数据分析而言，其难点在于MapQL语句比较难写，任务之间的关系比较复杂，顺序执行之间空间数据分许效率较低。而FIU-Miner可有效解决以上三个难点。
总结而言，大数据的复杂特征对数据挖掘在理论和算法研究方面提出了新的要求和挑战。大数据是现象，核心是挖掘数据中蕴含的潜在信息，并使它们发挥价值。数据挖掘是理论技术和实际应用的完美结合。数据挖掘是理论和实践相结合的一个例子。
-
-

⑩ 微博账号异常状态怎么办

1、在手机或者电脑上登录自己的微博，电脑上是一样的操作，发现有提示账号异常，点击选择激活。

2、然后就可以选择自己的好友的头像和昵称匹配，答对了就可以激活账号了，如果不记得好友的头像，那么可以点击选择短信验证码（需要绑定了手机才行，没绑定手机的话还是用头像和昵称匹配）。

3、点击了短信验证码后，在新弹出的界面选择免费获取验证码。

4、手机收到验证码后，将验证码输入，然后点击激活微博即可。

5、在电脑上也是相同的操作，既可以选择通过昵称与头像匹配，也可以通过手机短信验证。