网络信息已经成为当今社会环境及网络环境的重要影响因素。随着网络数据流量的大面积覆盖、网络技术的陈新换代,非法网络数据也在不断入侵网络环境。近年来,传销作为一种非法诈骗行为,网络传销将作为未来主要的传播途径,通过社交平台或招聘网站等开放网络环境传播思想,以非法牟利等,对网民乃至网络环境已经造成一种严重的网络安全威胁。因此,对网络传销数据的研究及控制具有十分重要的意义。本文在现有理论技术的基础上采用自动提取数据及数据特征分析方法对传销数据做预判工作,具体如下:第一,提出一种数字邻近特征集提取算法,既可扩充现有的特征集库,也作为了传销预判算法的预判依据因素之一。实验表明:数字邻近特征集算法与现有的特征集有同样的表征效果,且对于某些背景领域中的数据,表征效果更好。第二,提出一种基于多方向特征集的传销预判算法。该算法以多方向特征集作为预判依据集,基于词语相似度的改进算法,将每个文本数据特征集通过向量抽象化,与剩余文本数据特征集进行相似度计算,将结果作为预判指标,待测特征集与多方向特征集的特征交集率作为预判传销嫌疑的实验,将两种指标结合起来分析,对传销数据进行预判。其中待测特征集是由待测数据作为实验对象,通过以上方法处理为待测特征集。实验表明:相比单种特征集,构造多方向特征集的预判依据更可靠,预判依据更有可信度。第三,结合基于Python开发环境的Selenium框架、应用于提出的网络数据多方向特征集及特征集提取方法。该框架原理是以现有的“反传销网站”为研究数据源,基于Selenium框架及浏览器驱动、浏览器操作脚本等,趋于自动化模式提取该研究网站的HTML数据源,再将源数据转为文本数据做预处理等操作,如分词、停用词过滤、特征提取等,得到多方向特征集,包括本文提出的数字邻近特征集,特征集用于多方向特征集预判算法的实验数据。本文通过提出研究数据特征相关算法、基于特征集的传销预判算法以及贯穿于算法中的Selenium代码框架,并结合与现有算法的对比实验,充分验证了算法的有效性和可靠性。研究过程中结合了网络实际数据的研究背景,证明论文的研究方向及研究结果是有学术价值和时代意义的。