12、社交互动中的情感识别与网络钓鱼检测研究

社交互动中的情感识别与网络钓鱼检测研究

1. 社交互动中的情感识别

1.1 模型构建

在情感识别的研究中，构建了一个自定义的深度学习模型。该模型包含输入层，接收38个特征；接着是一个具有16个节点和“ReLU”激活函数的隐藏密集层，随后是一个丢弃层以防止训练数据过拟合；再之后是另一个与第一个隐藏层参数相同的隐藏密集层；最后是由“softmax”激活函数驱动的输出层。在模型编译时，使用Adam优化器，并使用稀疏分类交叉熵来计算损失。模型会在每个epoch损失持续下降的情况下继续训练，最多训练50个epoch。

1.2 实验平台

所有实验（包括预处理、特征提取、各种机器学习模型的训练和测试）都在开源的Jupyter环境中使用Python语言（v3.8.5）进行。训练使用了Nvidia GeForce RTX 2060（移动版）显卡。具体使用的包如下：
- OS、Glob、Numpy和Pandas：用于基本计算、数据检索、清理、处理和可视化。
- SciKit learn：用于导入机器学习模型。
- Keras：用于构建人工神经网络。
- PyTeap：用于特征提取、选择和预处理。
- matplotlib：用于绘制柱状图。

1.3 交叉验证与结果分析

为了评估情感分类模型的性能，采用了留一法（LOSO）进行交叉验证。将数据分为21份，每份包含一个个体的数据。每次使用20份数据进行训练，1份数据进行测试，重复21次。对于每个模型的每次测试运行，都会获得唤醒度和效价两个目标值的准确率和相应的F1分数。K - Emocon数据集提供了五种不同类型的目标值，即“自我”、“伙伴”、“自我 -