基于评论异常度的新浪微博谣言识别方法

以微博为代表的社交媒体在为公众提供信息共享平台的同时, 也为谣言提供了可乘之机.开展微博中谣言的识别和清理方法研究, 对维护社会的安全稳定有着重要的现实意义.本文针对新浪微博平台中谣言识别的问题, 提出了一种基于评论异常度的微博谣言识别方法.首先采用D-S理论实现微博评论异常度的计算方法; 然后利用评论异常度与微博的内容特征、传播特征、用户特征对微博进行抽象表示; 最后再利用SVM (Support vector machine)构建一个基于评论异常度的谣言识别模型, 实现对新浪微博中谣言微博的识别.实验表明, 本文提出的谣言识别模型对新浪微博中谣言识别具有较好的效果, 谣言微博识别的F1值达到了96.2 %, 相较于现有文献的最好结果提高了1.3 %.     

一种加权图卷积神经网络的新浪微博谣言检测方法

信息化时代下,广泛传播的谣言极大地影响了人们的日常生活,甚至威胁了社会稳定,因此对谣言的检测任务具有现实意义.目前基于深度学习模型的谣言检测方法忽略了事件之间的联系或事件之间联系的紧密程度,对检测效果造成了一定影响.本文考虑事件之间联系的异质性,将事件之间联系的紧密程度描述为连边权重,提出了一种基于加权图卷积神经网络(...     

基于多任务学习的微博谣言检测方法

微博谣言的广泛传播给当今社会造成了日益严峻的负面影响。基于深度神经网络的方法存在缺少大量带标签的数据。研究发现,谣言经常伴随负面情感,而非谣言则伴随正面情感,考虑到谣言与非谣言之间表现出的相反情感倾向性,提出一种将谣言检测和情感分析这两个高度相关的任务结合起来学习的多任务学习方法,为了尽可能多地挖掘不同任务之间的关联,全面分析谣言检测任务的特征,设计了一个由BERT和BiGRU联合的多任务学习框架（BERT-BiGRU-MTL,BBiGM）。利用权值共享的方法对两个任务进行联合训练,同时提取出任务之间的共同特征和针对谣言检测任务的特定特征,利用情感分析任务辅助谣言检测。研究结果表明,该方法在准确率、精确率、F1值评测指标上优于采用单任务学习的方法。     

融合用户历史传播信息的微博谣言检测

随着互联网技术的发展,以微博为主的社交媒体平台上网络谣言逐渐泛滥,研究微博谣言的自动检测对维护社会稳定具有重要意义。现今主流的基于深度学习的谣言检测方法普遍存在没有充分考虑微博文本语义信息的问题,同时,过分依赖传播信息的谣言检测方法使得检测时间滞后,不能满足谣言检测的现实需求。针对以上问题,本文提出一种融合用户历史交互信息的微博谣言检测模型,不使用待检测微博的传播信息,构建并训练AbaNet(ALBERT-BiGRU-Attention)深度学习网络模型,充分考虑待检测微博和用户历史传播信息文本的文本特征和语义信息进行谣言检测。实验结果显示,本文模型具有准确率高、稳定性强的特点,并且能够在获得较高检测精度的情况下大大缩短谣言检测的时间。     

半监督学习的微博谣言检测分析

谣言检测是社交网络谣言研究、监测及整治的基础,其实施情况得到社会的广泛关注,相伴随的是微博谣言辨识的研究工作不断增多.该文把微博谣言作为研究对象,搭建了微博谣言的检测框架,其主要是由获取数据、处理数据及谣言检测三大步骤构成,基于实验研究过程,对比了差异化数据已标注比例时不同半监督学习的性能和ImCo-Forest算法之...     

微博谣言防控措施研究

本文介绍了有关微博、谣言的基础理论内容,并进一步引出微博谣言,介绍了微博谣言的特点及其分类,通过详细论述微博谣言的自身特点,有针对性的从五个方面阐释了防控微博谣言的具体措施。     

微博谣言检测方法研究

微博中某一话题引起强烈关注,随着事态的发展,关于此话题的信息也开始偏轨,错误观点、失实报道经转发充斥了微博信息平台,话题在传播过程中演变出谣言。微博谣言在传播过程中具有传播速度越来越快、传播范围越来越广、传播过程越来越难以控制等特点。提出基于BP神经网络模型及改进其激发函数,同时引入冲量项,对微博话题在传播过程中演变为谣言进行检测。实验结果表明,该算法具有较好的检测效果。     

基于深层特征和集成分类器的微博谣言检测研究

微博中存在着大量的虚假信息甚至谣言,微博谣言的广泛传播影响社会稳定,损害个人和国家利益。为有效检测微博谣言,提出了一种基于深层特征和集成分类器的微博谣言检测方法。首先,对微博情感倾向性、微博传播过程和微博用户历史信息进行特征提取得到深层分类特征;然后利用分类特征训练集成分类器;最后利用集成分类器对微博谣言进行检测。实验结果表明,提出的基于深层特征和集成分类器的方法能够有效提高微博谣言检测的性能。     

微博谣言事件自动检测研究

互联网大数据环境下,谣言事件的散播已成为以微博为代表的在线社交网络持续健康稳定发展的主要障碍之一,因此及时有效地进行谣言事件自动检测对营造清朗的网络环境和维护社会和谐发展有着现实意义。该文以微博事件为背景,综合谣言事件特征随时间变化特性以及时间维度上谣言事件的分布特点,引入论域划分思想,基于模糊聚类算法提出了随时间动态变化的事件时序特征构建模型;同时,基于社会学中谣言的传播原理,提出将事件流行度、模糊度和流传度作为微博谣言事件检测分类器的三项新特征。实验结果表明,该文提出的动态时序特征表示方法和三项新特征使谣言事件自动检测效果得到了可观提升。     

基于迁移学习的微博谣言检测方法

为解决基于深度神经网络的微博谣言检测工作中带标签数据稀缺的问题,提出一种基于迁移学习的微博谣言检测方法.利用双层双向的门控循环单元和卷积神经网络组成的联合模型作为特征提取器,利用丰富的评论数据对联合神经网络进行预训练,将训练好的特征提取层迁移到微博谣言检测任务中,通过区分微调和斜三角学习率两种微调策略对特征提取层进行调整,使其适应于目标任务.实验结果表明,采用迁移学习方法的联合神经网络能有效提高微博谣言检测的准确率.     

基于Python的新浪微博数据爬虫

目前很多的社交网络研究都是采用国外的平台数据,而国内的新浪微博没有很好的接口方便研究人员采集数据进行分析。为了快速地获取到微博中的数据,开发了一款支持并行的微博数据抓取工具。该工具可以实时抓取微博中指定用户的粉丝信息、微博正文等内容;该工具利用关键字匹配技术,匹配符合规定条件的微博,并抓取相关内容;该工具支持并行抓取,可以同时抓取多个用户的信息。最后将串行微博爬虫工具和其并行版本进行对比,并使用该工具对部分微博数据作了一个关于流感问题的分析。实验结果显示:并行爬虫拥有较好的加速比,可以快速地获取数据,并且这些数据具有实时性和准确性。     

面向新浪微博的意见领袖挖掘算法

当前的影响力分析算法大多基于网络拓扑结构或用户交互信息,然而单一方面的方法会使挖掘结果出现较大的偏差,目前缺乏全面准确的影响力挖掘方法。本文通过对传统PageRank算法进行扩展,提出一种面向新浪微博的基于用户交互度连接属性的TCRank算法;其次设计了3种微博意见领袖特征指标,并对其加权求和用于意见领袖候选集的精化操作;同时提出一种基于卷积神经网络模型的情感支持度的意见领袖抽取算法,对意见领袖候选集进行最终排名。最后,通过实验验证所提出算法的有效性。     

新浪微博用户及其微博特征分析

基于新浪微博用户之间的关注关系网络,分析了衡量微博用户影响力的三个指标--粉丝数、User PR值以及用户活跃度,发现粉丝数分布和User PR值分布均服从幂律分布,活跃度分布不同于前两种分布。分别对三种排名靠前的用户及其发布的微博进行分析,发现排名靠前的用户中,User PR值的认证用户多于粉丝数;活跃度排名靠前的用户在广告营销活动中受到广泛的青睐;新浪微博用户乐于转发和评论他人的微博,微博中嵌入了大量的图片、视频和链接。     

Modeling of large-scale social network services based on mechanisms of information diffusion: Sina Weibo as a case study

The purpose of this paper is to investigate the characteristics of the dissemination of information in the community. A variety of possible factors that affect the dissemination of information in Sina Weibo have been discussed. By analyzing the process of the information dissemination in the community of Sina Weibo, we found the information dissemination of Weibo community and the dynamic model are very similar. With the aid of data intensive computing theory, the various features have been mined and modeled. The dynamic model is improved and redefined to characterize the community. Then the SEINR model is proposed. The basic reproductive number, the existence of equilibrium point and the stability of the network are analyzed and proved in detail. By comparing with real data in Weibo community, we show that the SEINR model accurately reflects the dissemination of information community. Furthermore, we investigate the SEINR model in detail to show the influences of different parameters on information dissemination by simulations.     

基于信息传递的谣言源检测新算法

近年来,谣言和谣言源检测受到了多领域学者的广泛关注,准确高效地发现社交网络中谣言传播源具有非常重要的理论和现实意义。大多数传统检测方法通常只检测是否存在谣言,很少检测谣言的源头。MPA（Message-passing Algorithm）是基于谣言中心性（Rumor Centrality）的一种谣言源检测方法,在该方法基础上提出一种改进的IMPA算法（Improved Message-passing Algorithm）,用以提高相关算法的准确率。实验结果表明,新算法检测谣言源的准确率更高,此外,针对相同的检测任务,其实际执行时间更短。     

基于注意力机制的多模态融合谣言检测方法

谣言会对社会生活造成不利影响,同时具有多种模态的网络谣言比纯文字谣言更容易误导用户和传播,这使得对多模态的谣言检测不可忽视。目前关于多模态谣言检测方法没有关注词与图片区域对象之间的特征融合,因此提出了一种基于注意力机制的多模态融合网络AMFNN应用于谣言检测,该方法在词-视觉对象层面进行高级信息交互,利用注意力机制捕捉与关键词语相关的视觉特征;提出了基于自注意力机制的自适应注意力机制Adapive-SA,通过增加辅助条件来约束内部的信息流动,使得模态内的关系建模更有目标性和多样性。在两个多模态谣言检测数据集上进行了对比实验,结果表明,与目前相关的多模态谣言检测方法相比,AMFNN能够合理地处理多模态信息,从而提高了谣言检测的准确性。     

基于扩展传染病模型的谣言溯源

为了更加贴合实际情况研究谣言溯源问题,考虑社交网络中对传播谣言节点的封禁隔离能力,扩展经典SIR传染病模型提出SIOR（Susceptible-Infected-isOlated-Removed）模型。基于最优信息传播过程计算出谣言源的估计值,并且针对SIOR模型验证该估计值近似于网络拓扑中的Jordan感染中心。根据RI(Reverse Infection)算法,提出一种针对SIOR模型的反向信息传播算法,该算法可以识别出网络拓扑图中的Jordan感染中心。最后在不同的网络中模拟实验,验证该算法的溯源效率比传统的溯源算法更优,此外,与SIR模型下溯源对比,SIOR模型溯源的准确性有所提高。