买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西北大学申请的专利一种基于多任务学习的微博水军识别的方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN116484087B 。

龙图腾网通过国家知识产权局官网在2025-10-17发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202310190085.3，技术领域涉及：G06F16/9535；该发明授权一种基于多任务学习的微博水军识别的方法是由杨建锋;愉滨铨;高岭;贺侯伟;任杰设计研发完成，并于2023-03-02向国家知识产权局提交的专利申请。

本一种基于多任务学习的微博水军识别的方法在说明书摘要公布了：本发明公开了一种基于多任务学习的微博水军识别的方法：步骤S1，把用户关注数量、粉丝数量、性别、微博等级、是否认证、认证类别、阳光信用、会员类别、会员等级、博文内容进行数据预处理，按照用户认证类别将任务分为t1,t2...,5；排序π∈δ5，δ5是5个元素上所有排列的对称群，使用SVM模型为每个任务训练分类器，并计算排序π中每一个任务所对应的权重；步骤S2，通过解决平均误差研究顺序π，遍历δ5中的每个π，通过最小化尚未解决任务的对应项上限确定πi，确定学习的最佳顺序；步骤S3，根据最佳学习顺序，通过并行化训练SVM模型实现微博水军识别。本发明的方法能够有效解决目前主流的舆情处理微博水军分类问题存在耗时长、准确率较低的缺陷。

本发明授权一种基于多任务学习的微博水军识别的方法在权利要求书中公布了：1.一种基于多任务学习的微博水军识别的方法，其特征在于，具体包括以下步骤： 步骤S1，把用户关注数量、粉丝数量、性别、微博等级、是否认证、认证类别、阳光信用、会员类别、会员等级、博文内容进行数据预处理，按照用户的认证类别将任务分为；排序，是5个元素上所有排列的对称群，使用SVM模型为每个任务训练分类器，并计算排序中每一个任务所对应的权重； 步骤S2，通过解决平均误差来研究顺序，遍历中的每个π，在这个过程中，假设用在解决每一个单独的任务的学习算法和所有的任务一样且具有确定性，通过最小化尚未解决任务的对应项上限来确定，来确定学习的最佳顺序； 步骤S3，根据步骤S2返回的任务的最佳学习顺序，通过并行化训练一个独立的SVM模型实现微博水军识别； 所述步骤S1包括以下子步骤： 步骤S11，把用户关注数量、粉丝数量、性别、微博等级、是否认证、认证类别、阳光信用、会员类别、会员等级、博文内容进行数据预处理；按照用户的认证类别将任务分为子任务：：未认证用户水军识别，：普通用户水军识别，：蓝V认证用户水军识别，：红V认证用户水军识别，：橙V认证用户水军识别； 步骤S12，将标准线性SVM模型作为每个任务的学习器，学习器训练的数据为S11预处理后得到的数据；对于这5个子任务按照排序进行顺序处理，其中，是子任务的对称群； 步骤S13，对于排序中的第一个任务给定的权重向量，定义如下公式所示的算法A，该公式用于计算当前任务的权重向量：其中，是上一个任务的权重向量，为松弛变量，为了容忍部分不满足约束的样本，，，使用特征映射将每个数据向量投影到一个更高甚至无限维的空间特征向量中，并且；C0； 所述步骤S2包括以下子步骤： 步骤S21，设计网络结构，该网络结构的计算公式如下，该公式用于根据S13所获得的计算得到平均期望误差： 其中x为步骤S11预处理后的数据，同时也服从数据独立同分布IID；y为用户所对应的类别，0为正常用户，1为水军用户；为底层数据分布，通过某个未知的概率分布存在于上，为已知参数；对于解决每一个任务，学习器使用一个线性预测器，并通过0-1损失来衡量分类性能；n为每个π中任务的个数，为5； 定义学习器的目标为找到5个权重向量使得任务的平均期望误差被最小化； 步骤S22，使用步骤S13中定义的算法A计算得到每个任务的权重向量；定义所获得学习器的平均期望误差的上限的定理如下： 1 其中左边的是任务上的平均期望误差的一半，是我们想要得到的最小平均期望误差；是样本的谐波平均值，式中每一项都是在0到1之间的值；并且是训练样点与由定义的超平面之间的距离的单调递减函数； 步骤S23，顺序遍历中所有的排序，对于每个排序，遍历其中的任务，找到其内所有任务的排序能够依次降低式1的右侧值的一个排序π；从而能够找到降低平均期望误差的一个排序π，将其内部的任务序号的顺序作为最佳学习顺序。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西北大学，其通讯地址为：710069 陕西省西安市太白北路229号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。