教材学习——内容安全基础
信息内容安全概述
- 信息内容的安全分为：政治信息安全、军事信息安全、商业信息安全。
- 全球数据的爆炸增长，让数据内容成为互联网的中心关注点，大数据技术逐步演化为重要生产力。同时，随着数据内容的价值不断提高，保护数据内容安全迫在眉睫。
- 网络战的打响，注定了信息内容安全的重要，网络情报获取正在受到各国重视，各国从国家战略角度高度重视从互联网获取、掌握威胁国家政治、经济乃至军事安全的情报信息。同时，5G在全球范围内部署，内容安全成为各国竞争的核心要素。
- 随着移动智能设备的快速发展，互联网由传统媒体向社交网络等新型媒体演进，垃圾广告、侵权影视音频、网络暴力信息等不良信息在网络大量传播。如此这般，保护内容的安全可谓相当重要。
信息内容安全威胁
内容中心的网络意义：实施更多优化表示来增强网络性能、提高未来互联网的智能水平
网络信息内容获取
- 网络媒体信息获取的工作范围为整个国际互联网，实质为采用网络交互过程编程重构机制实现媒体信息获取。基于浏览器模拟实现信息获取的技术：利用JSSh客户端向内嵌JSSh服务器的网络浏览器发送JavaScript指令，指示网络浏览器进行网络身份认证交互，网页发布信息浏览等操作。
- 信息内容获取的典型技术：基于自然语言理解的和文本挖掘的事件及元素抽取、基于知识图谱的文本信息与行为特征表示学习、基于图神经网络推理信念网络的社交网络用户认知模型构建技术、基于自然语言理解和深度学习模型的语义文本信息生成技术。
信息内容分析与处理
线性分类还有费舍尔线性判别：其将所有样本都投影到一维空间，使得在投影线上最易于分类，即：投影后两类相隔尽可能远，而同一类样本又尽可能聚集。
网络舆情内容监测与预警
随着互联网的不断发展壮大，基本每个家庭都会有网络方面的接触，因而网络舆论也在不断的发展，人们通过网络的迅速快捷等优势，再加上网上的匿名制和无规则性，导致网络舆论的影响愈发强大。故而对网络舆情的分析、监测和管理至关重要。网络舆情的分析：对海量非结构化信息挖掘与分析，实现对网络舆情的热点、焦点、演变等信息的掌握，为网络舆情监测与引导部门的决策提供科学依据。同时，对网络舆情的分析我们要有深度挖掘技术：利用定向搜索手段完成针对指定信息源的深入、全面的内容提取操作，以面向结构迥异、风格多样的数据发布源实施互联网媒体信息监控工作。
内容中心网络及安全
内容中心网络中的信息流具备快速高效的数据传输能力和增强的可靠性，成为物联网、5G网络中极有竞争力的网络模型。因此内容中心网络的安全的保护必不可少，不可忽视。
教材学习中遇到的问题和解决过程
- 问题：分类算法除了书上提到的还有哪些？
- 解决方法：通过网络搜索或询问AI去进一步了解
决策树（现代方法）
决策树学习是以实例为基础的归纳学习算法，它着眼于从一组无次序、无规则的实例中，推理出以决策树表示的分类规则。
人工神经网络ANN
人工神经网络，是一种应用类似于大脑神经突触联接的结构，进行信息处理的数学模型。
在这种模型中，大量的节点（或称”神经元”，或”单元”）之间相互联接构成网络，即”神经网络”，以达到处理信息的目的。
神经网络通常需要进行训练，训练的过程就是网络进行学习的过程。
•训练改变了网络节点的连接权的值使其具有分类的功能，经过训练的网络就可用于对象的识别。
•神经网络已有上百种不同的模型，常见的有BP网络、径向基RBF网络、Hopfield网络、随机神经网络（Boltzmann机）、竞争神经网络（Hamming网络，自组织映射网络）等。
贝叶斯（传统方法）
贝叶斯（Bayes）分类算法是一类利用概率统计知识进行分类的算法，如朴素贝叶斯（Naive Bayes）算法。
这些算法主要利用Bayes定理，来预测一个未知类别的样本属于各个类别的可能性，选择其中可能性最大的一个类别作为该样本的最终类别。
由于贝叶斯定理的成立，本身需要一个很强的条件独立性假设前提，而此假设在实际情况中，经常是不成立的，因而其分类准确性就会下降。
为此就出现了许多降低独立性假设的贝叶斯分类算法，如TAN（Tree Augmented Naive Bayes)算法，它是在贝叶斯网络结构的基础上，增加属性对之间的关联来实现的。
基于AI的学习
回答问题
AI的评价
