随着互联网技术的快速发展,社交媒体逐渐成为人们交流互动和信息分享的重要工具。而账号作为人们在社交媒体进行活动的主体,承担着信息发送、传播和接收的重要作用。从海量的社交媒体账号中快速高效地识别出携带特定价值信息的账号并进行分类管理,有利于建立更加完善的社交媒体信息管理体系,对构建健康、有序的社交媒体环境具有重要作用。社交媒体账号分类包含垃圾账号过滤和账号主题识别两部分,其中垃圾账号过滤目的是识别并过滤掉携带价值信息过少的无用账号,如营销账号、机器人账号等;账号主题识别目的是区分关注不同主题信息的账号,如政治、军事、新闻等。现有的账号分类方法在网络特性分析和内容特性分析上不够全面、深入、准确,导致垃圾账号过滤和账号主题识别的效果不佳,难以在实际中大规模应用。为此,本文对社交媒体账号分类方法进行研究,主要贡献概括为如下两个方面:(1)提出一种基于用户交互行为的垃圾账号过滤方法,该方法从内容特性和网络特性两个方面的交互行为进行用户特征挖掘。基于内容特性分析,将多条短文本组合成长文本作为整体账号内容信息,使用信息增益的方式选择特征词,构建内容特征向量。基于网络特性分析,利用用户社交关系构建局部网络关系图,从用户自身和用户邻居两个方面,提取了大量有用的网络特征。在对比实验中,基于内容和网络的联合特征进行垃圾账号过滤的效果明显比单一特征更好,垃圾账号识别的准确率达到了91.8%。(2)提出一种基于卷积神经网络的账号主题识别方法。传统的账号主题识别是基于词袋模型的,不仅忽略了文本单词间的语义关联信息,还忽略了账号文本间的主题关联信息。本文利用word2vec模型将单词表示为低维稠密向量,具有保持相邻词汇间语义相关性的优势,同时引入了文本的主题概率分布信息,利用卷积神经网络提取局部主题关联性特征。通过分析引入文本主题分布信息前后的实验结果,并与传统词袋模型的实验结果进行对比,证实了语义关联信息抽取和主题关联信息抽取的有效性。