1.一种基于半监督学习的社交网络垃圾用户过滤方法，其特征在于，包括以下步骤：S1：针对某一社交网络，获取多个用户的社交特征X，包括各个用户的消息内容特征和用户行为特征，并将这些特征存储入数据库中；

S2：利用信息增益算法对步骤S1中的所有特征数据进行排序选取，得到三组贡献度平均的特征向量X1，X2和X3；具体方法为：S21：训练样本集为D，|D|表示其样本容量，即样本个数；C1表示正常用户，C2表示垃圾用户；此时分类系统的熵可以表示为：其中，P(Ci)表示在全部用户中Ci用户所占比例，|Ci|表示Ci用户的个数，其中i＝1,2；

S22：在特征选取过程中，x表示特征X出现，表示特征X不出现，那么特征X固定时的条件熵为：其中，H(C|x)表示特征X出现的条件下分类系统的条件熵、 表示特征X不出现的条件下分类系统的条件熵、P(x)表示特征X出现的概率、 表示特征X不出现的概率、P(Ci|x)表示特征X出现的条件下Ci用户的条件概率、 表示特征X不出现的条件下Ci用户的条件概率；

S23：根据S21和S22得到的分类系统的熵和特征X固定时的条件熵，得出特征X给系统带来的信息增益为：IG(X)＝H(C)-H(C|X)，然后对全部特征的信息增益进行排序，得到三组贡献度平均的特征向量；

S3：从步骤S1所述社交网络中取少量用户作为训练样本，并对其进行部分标注，L表示已标注样本集，U表示未标注样本集；

S4：通过自助抽样的方法在已标注的社交用户数据L中随机选取三组不同训练样本集D1，D2，D3；

S5：将步骤S2得到的三组贡献度平均的特征向量X1，X2，X3，作为协同训练算法Tri-training的三个视图，通过三个视图上的训练得到垃圾用户的三个初步分类器h1，h2，h3；

S6：利用步骤S5得出的三个初步分类器，采用投票的方式完成对未标注样本集x∈U的标注，并作为新的训练样本{x}更新分类器，通过不断迭代更新，使得分类器达到最优；

S7：利用最终得到的分类器对待测用户进行检测。

2.根据权利要求1所述一种基于半监督学习的社交网络垃圾用户过滤方法，其特征在于：所述消息内容特征和用户行为特征具体包括：关注数、粉丝数、消息数、注册天数、收藏数、日发消息数、周发消息数、关注数/粉丝数、被转发次数、被评论次数、被赞次数、平均话题数、平均@的用户数、平均URL链接数、平均图片数、消息相似度、平均每条消息中字母个数和平均每条消息中数字个数。

3.根据权利要求1所述一种基于半监督学习的社交网络垃圾用户过滤方法，其特征在于：所述协同训练算法Tri-training如下：S51：令Li为本轮迭代当中加入到分类器hi中的未标记样本，l′i为上轮加入到分类器hi中的未标记样本个数，e′i和ei为上轮和本轮当中hj和hk两个分类器的共同错误率，其中i＝

1,2,3(j,k≠i)；

S52：如果ei＜e′i，那么对于任意x∈U，如果hk对x的分类结果hk(x)和hj对x的分类结果hj(x)相等，那么就将所有满足条件的样本集合{x}与Li合并，即Li＝Li∪{x}，然后在L∪Li上更新分类器hi，令e′i＝ei，l′i＝|Li|，对i＝1,2,3依次执行上述步骤；

S53：循环执行步骤S52，直到三个分类器对未标记样本都不再变化为止。

4.根据权利要求3所述一种基于半监督学习的社交网络垃圾用户过滤方法，其特征在于：所述两个分类器的共同错误率的计算方法为：假设有z个样本被hj和hk两个分类器判断结果一致，其中结果正确的有z′个样本，那么两个分类器的共同错误率为(z-z′)/z。