主题：【原创】基于西西河发帖时间戳的河友发帖习惯分析 -- 菜根谭

还是能看出来哪些人可以直接屏蔽的

那几个干脏活的id直接屏蔽算了

水至清则无鱼

太干净的环境，人容易过敏不是

首先声明一点：我玩鉴别马甲，是很多年前的事了。很多相关技术在不断进步，因此我写的这些，只能是仅供参考。

用发帖时间相关性鉴别A是否是B的马甲，是基于一个主观假设：即A与B如果发帖时间相关性很高，那么他们大概率互为马甲。

很可惜，这种假设是比较简单粗糙甚至粗暴的。一个极端的反例：如果A看B不爽，且有大量时间泡在河里，时时关注B的每一个发帖。一旦B发了任何贴，A立即追着发帖骂 ----- 这种场景下，A与B的发帖相关性接近于1.0 ---- 能说A是B的马甲嘛？

更一般性的例子，譬如我生活在北美，一般周末或者美国特有的假期，发帖时间比较多。如果有另外一位不相识的但同样生活在北美的河友也是这么个习惯，那么我与他就一定互为马甲？

想有效的鉴定马甲，技术路线有很多种。但是，仅用发帖时间相关性----- 这么一个特征向量，是远远不够的。严格说，这个特征向量，尚未触及到鉴定马甲的真正技术实质。

比较专业的方法，是通过用户的发帖文本特征的相似性来鉴别每一个用户。对每个待分析的用户，抓取其发帖的大量文本，进行自然语言处理（NLP），即进行分词、语法分析、语义分析、建立实体（entity）数据库， 提取出所有相关文本特征向量（X个）。因为发帖类型不同，可能还得分类（Classification），当年我们作新闻时，分为八大主类、N个小类，比如政治新闻用语肯定与商业、体育等类完全不同（如何有效分类，则是另一个专业技术范畴，这里略过不谈）。

完成以上工作后，先拿其中的80%数据作为训练样本，通过某种Machine Learning算法（简单的比如SVM），学习出每个特征向量的权值。

最后就是用剩余的20%数据，测试你训练的结果是否有效。如果无效，那就得回头抓取更多的文本样本，作更细化的分类，提取更多的文本特征向量 ---- 重新训练，如此循环。

另外，由于用户的发帖习惯会随着时间改变，所以训练得不断更新。

看到这里：我真正的想说的话，兄台应该已经明白了 ---- 您真值得花这个功夫搞马甲鉴定嘛？

如果真想搞，不如考虑去Google、Bing、百度做个Sabbatical ，看看人家专业公司的现成工具都用了啥。

毕竟隔行如隔山，很多看似简单的事，也是需要比较多的技术积累的。

下河嘛，聊个天而已。合则回，不合则划过而已。有那个功夫，看点开心的帖子，不亦乐乎？