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；

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：步骤S2中所述利用信息增益算法得到三组贡献度平均的特征向量的具体方法为：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。

4.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

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。

5.根据权利要求4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：所述计算两个分类器的共同错误率的方法为：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。