1.基于D‑S证据理论的网络直播违法违规行为判定方法，其特征在于，其步骤为：步骤1)、输入网络直播中多源异构数据，利用样本集得出有无违法行为概率阈值；

步骤2)、利用Tanimoto系数公式求出分配证据体信任度权重；

2.1)将得到的违法违规行为概率矩阵利用Tanimoto系数公式求出证据体相关性矩阵S，Tanimoto系数公式为其中，mi、mj表示不同的证据体，Sij表示证据体mi和证据体mj之间的相关性系数；

2.2)根据相关性矩阵S计算证据体信任度权重，计算公式为

其中，Sij表示证据体mi和证据体mj之间的相关性系数，Wk表示证据体mk的信任度权重；

步骤3)、利用步骤2)求出的证据体信任度权重将原文本/视频/音频数据的违规、违法、严重违法行为的概率进行修正处理；

3.1)将违法违规行为概率和步骤2)得到的信任度权证wi相乘，得到修正后的证据体概率矩阵；

3.2)对证据体概率矩阵添加一列 该列的值为：1‑∑m(uk),使同一证据体的概率和为

1；其中m(uk)为某证据体下的第uk个证据的概率；

3.3)对修正后概率矩阵中sij＝0部分，进行零因子修复，若原概率表中其他证据体对焦元的概率表示均大于阈值β则将零因子设置为0.1，若只有一个证据体对焦元的概率表示大于阈值β则将零因子设置为0.01，否则将零因子设置为0.001，并将相应 列的值减去对应的值；

步骤4)、将得到的文本/视频/音频数据的违法违规行为概率映射到统一公共空间，在统一公共空间利用D‑S证据理论对采集到的数据进行数据融合；

步骤5)、对数据融合结果进行违法违规行为判定。

2.根据权利要求1所述的基于D‑S证据理论的网络直播违法违规行为判定方法，其特征在于，所述的步骤1)中，具体方法为：

1.1)在样本集数据中得到无违法违规行为、可能有违法违规行为、有违法违规行为三类，并标注出违法违规行为概率；

1.2)取有违法违规行为一类的最小概率作为阈值α，取无违法违规行为一类最大概率作为阈值β；

1.3)输入网络直播中多源异构数据违法违规行为概率，若单项数据源违法违规概率大于阈值α，则判定有违法违规行为，否则继续判定。

3.根据权利要求1所述的基于D‑S证据理论的网络直播违法违规行为判定方法，其特征在于，所述的步骤4)中，具体方法为：

4.1)定义数据融合框架U＝{u1,u2,u3,u4}，u1代表违规行为，u2代表违法行为，u3代表严重违法行为，u4代表无违法违规行为；对于同一识别框架下，M＝{m1,m2,m3}代表不同数据来源符合违规、违法、严重违法行为的证据体基本概率分配函数，m1代表文本数据证据体，m2代表视频数据证据体，m3代表音频数据证据体；对于数据融合框架U＝{u1,u2,u3,u4}的基本概率分配函数为：mi(uj)＝Pij,其中i＝[1,3],j＝[1,4],uj代表融合框架U中的某种行为，mi代表第i个证据体，Pij代表在mi证据体下发生uj行为的概率；

4.2)定义合成规则，对于M中的三个数据来源的数据特征符合违规、违法、严重违法行为的发生概率m1，m2，m3融合后符合违规、违法、严重违法行为的发生概率为：A∩B∩C＝u1,其中k＝Σm1(A)m2(B)m3(C)，A∩B∩C≠空；

4.3)根据合成规则对步骤3中得到的违规、违法、严重违法行为概率求信任区间；证据ui的信任区间为[0，Bel(ui)],其中

4.根据权利要求1所述的基于D‑S证据理论的网络直播违法违规行为判定方法，其特征在于，所述的步骤5)中，具体方法为：

5.1)根据步骤4)得到的置信区间[0，Bel(ui)]对违法违规行为进行判定，当大于阈值α则得出有违规、违法、严重违法行为的结论；

5.2)根据步骤4)得到的置信区间[0，Bel(ui)]对违法违规行为进行判定，当小于阈值α得出无违规、违法、严重违法行为的结论。