第４２卷 第２期 Ｖｏ１．４２ ·计算机工程 ２０１６年２月 Ｆｅｂｒｕａｒｙ ２０１６ Ｎｏ．２ Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ 人工智能及识别技术· 文章编号：１０００－３４２８（２０１６）０２－０１９０－０５ 文献标识码：Ａ 中图分类号：ＴＰ１８ 人工蜂群优化的ＢＰ神经网络在入侵检测中的应用 沈夏炯 ，王 龙 ，韩道军 （河南大学ａ．数据与知识工程研究所；ｂ．计算机与信息工程学院，河南开封４７５００４） 摘 要：传统ＢＰ神经网络存在容易陷入局部最优、收敛速度慢等缺点。为此，根据人工蜂群算法全局寻优以及群 体智能的特点，在初始化神经网络参数时，将神经网络的误差作为人工蜂群算法的适应度，选择适应度最好的一组 参数作为神经网络的权值和阈值，避免神经网络陷入局部最优和收敛速度慢的问题。将人工蜂群优化的ＢＰ神经 网络模型应用于入侵检测中，仿真实验结果表明，优化后的网络模型可加快收敛速度，提高检测精度。 关键词：人工蜂群算法；ＢＰ神经网络；入侵检测；遗传算法；全局寻优 中文引用格式：沈夏炯，王 龙，韩道军．人工蜂群优化的ＢＰ神经网络在入侵检测中的应用［Ｊ］．计算机工程，２０１６， ４２（２）：１９０—１９４． 英文引用格式：Ｓｈｅｎ Ｘｉ￣ｉｏｎｇ，Ｗａｎｇ Ｌｏｎｇ，Ｈａｎ Ｄａ￣ｕｎ．Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｏｐｔｉｍｉｚｅｄ ｂｙ Ａｒｔｉｉｆｃｉａｌ Ｂｅｅ Ｃｏｌｏｎｙ ｉｎ Ｉｎｔｒｕｓｉｏｎ Ｄｅｔｅｃｔｉｏｎ［Ｊ］．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ，２０１６，４２（２）：１９０－１９４． Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｏｐｔｉｍｉｚｅｄ ｂｙ Ａｒｔｉｆｉｃｉａｌ Ｂｅｅ Ｃｏｌｏｎｙ ｉｎ Ｉｎｔｒｕｓｉｏｎ Ｄｅｔｅｃｔｉｏｎ ＳＨＥＮ Ｘｉ￣ｉｏｎｇ ｌ－．ＷＡＮＧ Ｌｏｎｇ ，ＨＡＮ Ｄａｏｊｕｎ ＇ （ａ．Ｉｎｓｔｉｔｕｔｅ ｏｆ Ｄａｔａ ａｎｄ Ｋｎｏｗｌｅｄｇｅ Ｅｎｇｉｎｅｅｒｉｎｇ；ｂ．Ｓｃｈｏｏｌ ｏｆ Ｃｏｍｐｕｔｅｒ ａｎｄ Ｉｎｆｏｒｍａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ Ｈｅｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｋａｉｆｅｎｇ，Ｈｅｎａｎ ４７５００４，Ｃｈｉｎａ） 【Ａｂｓｔｒａｃｔ】Ｔｈｅ ｅｘｉｓｔｅｎｃｅ ｏｆ ｔｒａｄｉｔｉｏｎａｌ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｉｓ ｅａｓｙ ｔｏ ｆａｌｌ ｉｎｔｏ ｌｏｃａｌ ｏｐｔｉｍｕｍ，ｓｌｏｗ ｃｏｎｖｅｒｇｅｎｃｅ ａｎｄ ｏｔｈｅｒ ｓｈｏｒｔｃｏｍｉｎｇｓ．Ａｃｃｏｒｄｉｎｇ ｔｏ ｔｈｅ ｆｅａｔｕｒｅｓ ｏｆ ｇｌｏｂａｌ ｏｐｔｉｍｉｚａｔｉｏｎ ａｎｄ ｓｗａｒｍ ｉｎｔｅｌｌｉｇｅｎｃｅ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｂｅｅ Ｃｏｌｏｎｙ（ＡＢＣ） ａｌｇｏｒｉｔｈｍ，ｉｎ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｐａｒａｍｅｔｅｒ ｉｎｉｔｉａｌｉｚａｔｉｏｎ，ｔｈｉｓ ｐａｐｅｒ ｕｓｅｓ ｔｈｅ ｄｅｖｉａｔｉｏｎ ｏｆ ｔｈｅ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｓ ａ ｆｉｔｎｅｓｓ ｏｆ ＡＢＣ ａｌｇｏｒｉｔｈｍ，ｓｅｌｅｃｔｓ ｔｈｅ ｂｅｓｔ ｆｉｔｎｅｓｓ ｏｆ ａ ｓｅｔ ｏｆ ｐａｒａｍｅｔｅｒｓ ａｓ ａ ｎｅｒｖｅ ｐｏｗｅｒ ｎｅｔｗｏｒｋｓ ａｎｄ ｔｈｒｅｓｈｏｌｄｓ．Ｄｏｉｎｇ ＳＯ ｃａｎ ａｖｏｉｄ ｆａｌｌｉｎｇ ｉｎｔｏ ｌｏｃａｌ ｏｐｔｉｍｕｍ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｎｄ ｓｌｏｗ ｃｏｎｖｅｒｇｅｎｃｅ ｐｒｏｂｌｅｍ．Ｔｈｅ ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｏｆ ＡＢＣ ｏｐｔｉｍｉｚａｔｉｏｎ ａｐｐｌｉｅｄ ｔｏ ｉｎｔｒｕｓｉｏｎ ｄｅｔｅｃｔｉｏｎ．Ｓｉｍｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ｎｅｔｗｏｒｋ ｍｏｄｅｌ ｉｓ ｏｐｔｉｍｉｚｅｄ ｔｏ ａｃｃｅｌｅｒａｔｅ ｔｈｅ ｃｏｎｖｅｒｇｅｎｃｅ ｒａｔｅ ａｎｄ ｉｍｐｒｏｖｅ ｔｈｅ ｄｅｔｅｃｔｉｏｎ ａｃｃｕｒａｃｙ． 【Ｋｅｙ ｗｏｒｄｓ】Ａｒｔｉｉｆｃｉａｌ Ｂｅｅ Ｃｏｌｏｎｙ（ＡＢＣ）ａｌｇｏｒｉｔｈｍ；ＢＰ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ；ｉｎｔｒｕｓｉｏｎ ｄｅｔｅｃｔｉｏｎ；ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍ； ｇｌｏｂａｌ ｏｐｔｉｍｉｚａｔｉｏｎ ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１０００．３４２８．２０１６．０２．０３４ １ 概述 ＢＰ（Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ）神经网络…是一种按误 性，使其结果也存在一定随机性，导致网络收敛速度 过慢，训练易陷入到瘫痪状态。 针对ＢＰ神经网络的缺点，现阶段研究人员主要 差逆向传播算法训练的多层前馈网络，是目前应用 最广泛的神经网络模型之一 。 。ＢＰ神经网络算法 利用一些智能优化算法 刮来优化神经网络。智能 优化算法模拟自然界生物系统，完全依赖生物体自 身的本能，具有无意识的寻优行为来优化其生存状 态，以适应环境的一类新型的优化方法。其中的遗 在实际应用中尚存在如下不足：（１）ＢＰ算法的误差 函数是沿梯度方向下降的，是一种单点搜索算法，全 局搜索能力低下，易陷入局部最优 ；（２）ＢＰ算法在 对权值的学习过程中，由于其初始结构参数的随机 传算法 （Ｇｅｎｅｔｉｃ Ａｌｇｏｒｉｔｈｍ，ＧＡ）借鉴了自然界优 胜劣汰的进化思想，但是这些优化的算法在收敛速 基金项目：国家自然科学基金资助项目（６１２７２５４５）；河南省科技厅科技攻关计划基金资助项目（１４２１０２２１０３９０）；河南省教育厅自然科学 基金资助项目（１３Ｂ５２０９１８）。 作者简介：沈夏炯（１９６３～），男，教授、博士，主研方向为空间数据处理、形式概念分析；王收稿日期：２０１５－０２－０２ 修回日期：２０１５－０３￣８ Ｅ－ｍａｉｌ：８４４６８４９３６＠ｑｑ．ｃｏｍ 龙，硕士研究生；韩道军，副教授、博士。 第４２卷第２期 沈夏炯，王龙，韩道军：人工蜂群优化的ＢＰ神经网络在入侵检测中的应用 １９１ 度和检测正确率上还没有达到理想的效果。 考虑到人工蜂群算法 在多变量函数问题上具 有较强优化能力的特点，选用人工蜂群算法优化ＢＰ 神经网络。在ＢＰ神经网络初始化阶段，把ＢＰ神经 同样，可以得到输出层的输出值Ｙ 、实际值和预 期的输出之间的误差。由式（３）得到： Ｐ ＝∑（ 一Ｙｋ） （３） 网络的权值和阈值作为人工蜂群算法的优化目标， 用ＢＰ神经网络的误差作为人工蜂群算法的适应度 来评判ＢＰ神经网络的权值和阈值。当人工蜂群算 法迭代运行到最大迭代次数时，选择适应度最佳的 一组权值和阈值完成ＢＰ神经网络训练。通过把这 ２种方法的优势进行结合，构建混合型神经网络 模型。 入侵检测是对人侵行为的发觉。通过对计算机 网络或计算机系统中若干关键点收集信息的分析， 发现网络或系统中是否有违反安全策略的行为和被 攻击的迹象。数据比较多且具有随机性，不容易建 立检测模型，而神经网络可以模拟人类神经系统的 认知特点，根据已知数据快速建立检测模型，所以利 用神经网络进行入侵检测是一个很好的选择。本文 将人工蜂群优化后的ＢＰ神经网络模型用于入侵检 测 中。 ２ ＢＰ神经网络 ＢＰ神经网络是一种通过模拟神经系统的结构 和生物神经网络信息传递的智能算法。神经网络具 有较强的自学能力，能够做到自适应计算，是一个大 规模的非线性自适应系统。一般情况下，ＢＰ神经网 络由一个输入层、一个或多个隐含层和输出层组成。 一个典型的ＢＰ神经网络结构如图１所示。 输入 误差反向传播 输出 信息正向传播 图１ ＢＰ神经网络的结构 在ＢＰ网络中，输入向量Ｘ＝（ ， ：，…， ），隐 含层由式（１）计算： ＝∑Ｗｉｉ＝１ ｊ 一 （１） 其中，Ｗ 是权值； Ｊ是输入层和隐含层之间的阈值。 在隐含层中的实际输出值由式（２）计算： ＝ ＝ ） （２） 其中，ｄ 表示输出节点ｋ的输出期望值；ｑ是输出节 点的数目。可以通过式（４）和式（５）调整隐含层和 输出层之间的权值和阈值： Ａｗ ：ｄ（ｄ —Ｙｋ）Ｙ （１一Ｙ ）Ｙ （４） Ａ０ ＝ａ（ｄ 一Ｙ ）Ｙ （１一Ｙ ） （５） 其中，ａ∈（０，１）是比例常数，反映在训练时候的学习 速度。 如果不能从输出层得到期望的结果，它需要不 断调整权值和阈值，逐渐使误差变小。ＢＰ神经网络 具有很强的自学习能力，并能迅速为未知的数据集 获得最优解。因此，神经网络应用在入侵检测中是 一种非常有效的方法¨ 。 然而，单一的神经网络有其局限性：没有足够的 数据时会降低入侵检测的精度。更重要的是，该神 经网络获取最优解时收敛速度慢，并且很容易陷入 局部最优。这些因素都会影响入侵检测的效果。为 了解决上述问题，本文引入了人工蜂群算法。 ３人工蜂群算法 人工蜂群（Ａｒｔｉｆｉｃｉａｌ Ｂｅｅ Ｃｏｌｏｎｙ，ＡＢＣ）算法… 最初是为了解决多变量函数的优化问题。人工蜂群 算法模拟的蜜蜂群智能觅食行为，通过交流与合作， 以实现不同角色之间的智能化 。 在人工蜂群算法中，初始阶段，食物源的位置随 机产生，并且它们的花蜜量是已经决定的。该算法 生成ＳＮ个解决方案（食物源位置），ＳＮ代表群体的 大小，每个解决方案由式（６）计算： ＝ ｉ ＋ｒａｎｄ（０，１）（ 一 ） （６） 其中， 表示一个优化问题可能的解决方案； ∈｛Ｉ， ２，…，Ｄ｝；ｍａｘ和ｍｉｎ是｛１，２，…，ＳＮ｝中除了元素ｉ 的最大和最小元素。ｒａｎｄ（０，１）表示它是在［０，１］中 的一个随机数。对于每一个食物源位置来说，置 （ｉ ＝１，２，…，ＳＮ），（‘『＝ｌ，２，…，Ｄ）是一个Ｄ维向量，Ｄ 是优化参数的数量。初始化完成后，假设重复周期 是ＭＣＮ。为了寻找新的食物源并且测试适应度，引 领蜂或跟随蜂可能会更改在记忆中的位置信息。适 应度的值通过式（７）计算： １ 觚：Ｊ南 ０ （７） 【１＋ａｂｓ（ｆ￣） ＜０ １９２ 计算机工程 ２０１６年２月１５日 其中， 是解决方案ｉ的目标函数值。如果新的食物 源的适应度值比前一个大，则蜜蜂存储新的位置，并 解决方案，是因为引领蜂和跟随蜂在寻找最优解时 使用了正反馈机制，正反馈机制可以加快收敛 速度。 且忘记旧的位置。否则它保持记忆旧的位置。在所 有的引领蜂完成搜索过程后，在舞蹈区和跟随蜂分 享食物源的蜂蜜量和位置信息。跟随蜂评价所有引 领蜂带来的食物源信息并且根据适应度的值选择一 个食物源。通过式（８）计算概率函数Ｐ 的值： ｐ ： ｐｆ 一 （８）【 ） ４人工蜂群优化的ＢＰ神经网络 基于ＢＰ神经网络和ＡＢＣ算法，提出ＡＢＣ优化 神经网络的算法，并将其应用到入侵检测中。在 ＡＢＣ算法优化ＢＰ神经网络的过程中，优化的对象 是网络的权值和阈值。该方法可以提高ＢＰ神经网 ∑ 其中， 是位置ｉ适应度的值，它和食物源的花蜜量 成正比；ＳＮ是食物源的数量。为了从旧的食物源中 选择一个食物源位置，引领蜂和跟随蜂用式（９）计算 新的食物源位置。 Ｖ ，＝Ｘｆ７＋ ｉ，（Ｘ ｆ—Ｘ ，） （９） 络的自学习能力，加速收敛速度，从而使神经网络可 以更好地在入侵检测中执行，提高检测精度。 使用ＡＢＣ算法优化ＢＰ神经网络的基本思路 是，当神经网络自学习训练不能够满足准确性的要 求时，把神经网络的误差函数作为ＡＢＣ算法的适应 其中，ｋ＝｛１，２，…，ＳＮ｝和．７＝｛１，２，…，Ｄ｝是随机产 度，用ＡＢＣ算法优化ＢＰ神经网络运行参数。在蜂 群算法中的蜜源位置表示ＢＰ神经网络中的权值和 生的。 提［一１，１］中的一个随机数，它控制搜索 位置附近的食物源。随着（Ｘ ，一Ｘ ）值的增加，在 阈值，然后通过适应度函数计算每个蜜源的适应度， 蜂群算法根据蜜蜂采蜜的过程寻找出最好的适应度 所对应的蜜源。通过比较每个蜜源的当前适应度和 位置 周围的搜索也增加。随着在搜索位置中越 来越接近最优解，步骤自适应降低了。 通过以上过程可以看出，人工蜂群（ＡＢＣ）算 历史值求出最好的一组蜜源，在迭代次数内把得到 的最好蜜源作为ＢＰ神经网络初始的权值和阈值，如 图２所示。 把神经网 络的误差 函数作为 蜂群算法 的适应度 法有角色分工和转换功能，可以在群体的个体之间 实现协同工作。ＡＢＣ算法能够更快地找到最优的 开始卜—— 数据预处理 随机产生神 网络的参数 开始神经 网络溯练 结束 篙嘉 蒙 具体算法过程描述如下： ＼／ 篷 一茎 墨 为每个食物源ｌ 设定目标函数ｒ ｌ初始化 ｌ蜂群信息 图２ 人工蜂群优化神经网络的流程 骤（１）～步骤（３），如果误差满足要求则结束训练， 否则继续。 （１）选择训练用的样本数据，产生输入层和隐含 层之间的权值ｗ 隐含层和输出层之间的权值 为Ｗ （７）使用当前的权值和阈值作为输入，设定 ＭＣＮ，设定神经网络的误差作为式（７）的目标函数。 （８）迭代运行ＡＢＣ算法，直到到达ＭＣＮ。设定 （２）通过式（１）、式（２）计算实际的输出值Ｙ 。 （３）由式（３）计算神经网络的误差，如果误差满 足要求，结束训练转到步骤（５），否则转到步骤（４）。 （４）通过式（４）和式（５）调整输入层和隐含层、 隐含层和输出层之间的权值和阈值。 （５）通过步骤（４）中得到的结果，计算权值 和 。 从ＡＢＣ算法中得到的权值和阈值作为新的初始参 数去训练ＢＰ神经网络，然后转到步骤（４）。 （９）结束训练，输出权值ｗ ，和 网络模型测试数据得到结果。 以上优化算法由于在初始化神经网络参数时扩 大了参数的搜索空间，调整参数时使用了正反馈机 制，可以避免ＢＰ神经网络陷入局部最优，加快了收 ，使用得到的 （６）根据新的权值和样本数据，重新执行步 第４２卷 第２期 沈夏炯，王 龙，韩道军：人工蜂群优化的ＢＰ神经网络在人侵检测中的应用 １９３ 敛速度。这种集成方法充分利用神经网络学习能力 强的优势，同时也利用了人工蜂群算法全局寻优的 特点。 ５实验与结果分析 本文先把数据进行预处理，然后和传统的ＢＰ神 经网络及遗传算法优化的ＢＰ神经网络做了收敛速 度对比和检测正确率对比２个实验。 ５．１数据预处理 实验使用ＫＤＤ ＣＵＰ９９数据集 ，是由美国麻 省理工学院林肯实验室提供的一种被广泛使用的入 侵检测比赛数据。大约有５×１０。条数据，３９种攻击 类型，每一条数据有４１个特征属性和１个类标识。 数据集中包含了１种正常的标识类型ｎｏｒｍａｌ和 ２２种攻击类型，如表１所示。 表１ ＫＤＤＣｕｐ９９入侵检测实验数据的标识类型 表２选择实验中使用到的３种类型数据。每条 ｕ 数据的前４１个代表了数据的属性，最后一个表示数 据标识，例如第１条表示正常连接记录的ｎｏｒｍａｌ， 第２条数据中的ｓｍｕｒｆ和第３条数据中的ｎｅｐｔｕｎｅ表 示拒绝服务攻击类型中的２种情况。 表２ ＫＤＤＣｕｐ９９数据集中的３条数据 标号 数据 ０，ｔｃｐ，ｈｔｔｐ，ＳＦ，２１５，４５０７６，０，０，０，０，０，１，０，０，０，０，０，０， ０，０，０，０，１，１，０．００，０．００，０．００，０．００，１．００，０．００，０．００， ．０，０，０．００，０．００，０．００，０．００，０．００，０．００，０．００， ０．００，ｎｏｒｍａｌ ０，ｉｃｍｐ，ｅｃｒｉ，ＳＦ，１０３２，０，０，０，０，０，０，０，０，０，０，０，０，０， ０，０，０，０，５１１，５１１，０．００，０．００，０．００，０．００，１，００，０．００， ０．００，２５５，２５５，１．００，０．００，１．００，０．００，０．００，０．００，０．００， ０．００，ｓｍｕｒｆ ０，ｔｃｐ，ｐｆｉｖａ￣，ＳＯ，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０，０， ０，０，１３０，２，１．Ｏ０，１．Ｏ０，０．Ｏ０，０．Ｏ０，０．０２，０．０７，０．Ｏ０， ２５５，２，０．０１，０．０７，０．００，０．００，１．００，１．００，０．００， ０．００，ｎｅｐｔｕｎｅ 第２条数据表示协议类型的ｔｃｐ，第３条数据表示 目标主机网络服务类型的ｈｔｔｐ，连接正常或者错误状 态的ＳＦ都是字符型的数据。由于神经网络只能处理 数值型的数据，因此在数据进行训练和测试前还需要 进一步处理，将其中的字符型数据转化为适合神经网 络处理的数值型数据，可采用编码实现。实验中的编 码通过自定义实现，具体编码表如表３所示。 表３字符数据编码 字符数据 编码成数值 ｔｃｐ ｈｔｔｐ Ｎｏｒｍａｌ Ｐｒｉｖａｔｅ Ｓｏ ５．２收敛速度对比实验 实验环境为ｈｐ－ｐｃ，ｗｉｎｄｏｗｓ７ ６４位操作系统，处 理器ＡＭＤ Ｐｈｅｎｏｍ（ｔｍ）ＩＩ×４Ｂ９７Ｐｒｏｃｅｓｓｏｒ ３．２０ ＧＨｚ． 安装内存（ＲＡＭ）４．００ ＧＢ。仿真环境为ＭａｔＲ２０１２ａ。随机选择ＫＤＤＣＵＰ数据集中１ ｌａｂ ０００条数据 记录。其中有３种分类结果：ｎｏｒｍａｌ，Ｎｅｐｔｕｎｅ，ｓｍｕｒｆ。 每个类别有６００条、２００条、２００条记录。选择其中一 半的数据作为训练集，另一半用来测试。中间层神经 元的激活函数选用Ｓ型函数，输出层神经元的激活函 数为简单的线性函数。设定人工蜂群算法模型参数 如下：初始蜂群大小为６０，迭代的次数是１００。 因为ＢＰ神经网络权值和阈值初始时是一个区 间内的随机数，通过误差反向传播调整权值和阈值 时只能在随机数的周围调整，而人工蜂群算法在初 始化神经网络参数时扩大了参数的搜索空间，调整 参数时使用了正反馈机制，可以避免ＢＰ神经网络陷 入局部最优，加快了收敛速度，所以在相同的迭代数 下，会先满足误差要求。从图３中可以看出，如果均 方误差是１０～，在不到７０次迭代时，人工蜂群优化 的ＢＰ神经网络已经比其他２种算法先满足了误差 要求，说明其具有更快的收敛速度。 图３算法收敛速度对比 ～１９４ 计算机工程 ２０１６年２月１５日 （上接第１８９页） ［７］Ｄａｖｉｄｏｖ Ｄ，Ｔｓｕｒ Ｏ，Ｒａｐｐｏｐｏｒｔ Ａ．ＥｎｈａｎｃｅｄＳｅｎｔｉｍｅｎｔ Ｌｅａｒｎｉｎｇ Ｕｓｉｎｇ Ｔｗｉｔｔｅｒ Ｈａｓｈｔａｇｓ ａｎｄ Ｓｍｉｌｅｙｓ［Ｃ］／／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ．Ｗａｓｈｉｎｇｔｏｎ Ｄ．Ｃ．，ＵＳＡ： ＩＥＥＥ Ｐｒｅｓｓ，２０１０：２４１－２４９． ［１０］ Ｌｉｕ Ｑ，Ｆｅｎｇ Ｃ，Ｈｕａｎｇ Ｈ． Ｅｍｏｔｉｏｎａｌ Ｔｅｎｄｅｎｃｙ Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｆｏｒ Ｍｉｃｒｏ—ｂｌｏｇ Ｔｏｐｉｃｓ Ｂａｓｅｄ ｏｎ Ｍｕｌｔｉｐｌｅ Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ『Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２６ｔｈ ＰＡＣＬＩＣ’１２． Ｗａｓｈｉｎｇｔｏｎ Ｄ．Ｃ．，ＵＳＡ：ＩＥＥＥ Ｐｒｅｓｓ，２０１２：２６９—２７８． Ｒ．Ｔｗｉｔｔｅｒ Ｓｅｎｔｉｍｅｎｔ Ａｎａｌｙ— ［１１］ Ｇｏ Ａ，Ｈｕａｎｇ Ｌ，Ｂｈａｙａｎｉ［８］ Ｂａｒｂｏｓａ Ｌ，Ｆｅｎｇ Ｊ．Ｒｏｂｕｓｔ Ｓｅｎｔｉｍｅｎｔ Ｄｅｔｅｃｔｉｏｎ ｏｎ Ｔｗｉｔｔｅｒ ｆｒｏｍ Ｂｉａｓｅｄ ａｎｄ Ｎｏｉｓｙ Ｄａｔａ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ｔｈｅ ２３ｒｄ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｌｉｎｇｕｉｓｔｉｃｓ．Ｗａｓｈｉｎｇｔｏｎ Ｄ．Ｃ．，ＵＳＡ：ＩＥＥＥ Ｐｒｅｓｓ，２０１０： ３６＿４４． ｓｉｓ Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＡＣＬ’Ｏ９．Ｗａｓｈｉｎｇｔｏｎ Ｄ．Ｃ．， ＵＳＡ：ＩＥＥＥ Ｐｒｅｓｓ，２００９：２３５．２４３． ｕ Ｋ Ｌ．Ｌｉ Ｗ Ｊ．ＧＵＯ Ｍ．Ｅｍｏｔｉｃｏｎ Ｓｍｏｏｔｈｅｄ Ｌａｎｇｕａｇｅ ［１２］ ＬｉＭｏｄｅｌｓ ｆｏｒ Ｔｗｉｔｔｅｒ Ｓｅｎｔｉｍｅｎｔ Ａｎａｌｙｓｉｓ Ｉ Ｃ ｌ／／ Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＡＡＡＩ’１２．Ｗａｓｈｉｎｇｔｏｎ Ｄ．Ｃ．．ＵＳＡ： ＩＥＥＥ Ｐｒｅｓｓ．２０１２：１２５ １３４． ［９］ 庞磊，李寿山，周国栋．基于情绪知识的中文微博情 感分类方法［Ｊ］．计算机工程，２０１２，３８（１３）：１５６—１５８，１６２． 编辑索书志
