没有合适的资源?快使用搜索试试~ 我知道了~
一种基于多关系传播树的谣言检测方法.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 188 浏览量
2022-06-10
14:17:11
上传
评论
收藏 1.44MB DOCX 举报
温馨提示
试读
37页
一种基于多关系传播树的谣言检测方法.docx
资源推荐
资源详情
资源评论
摘 要 近年来,社交媒体为人们消费信息提供便利的同时,也逐渐成为
谣言产生和传播的温床.为了降低谣言的危害性,谣言检测受到研究学
者的广泛关注.近期研究主要基于博文内容和传播结构信息,利用深度
学习模型进行谣言检测.但是,这些方法仅考虑传播过程中博文之间的
显式交互关系,忽略了对潜在关系的建模,难以捕捉到丰富的传播结
构特征.例如,在转发(或评论)的交互形式下,多个转发者(或评论者)
之间往往也存在局部的隐式交互.针对该挑战,提出一种基于多关系传
播树的谣言检测方法,建模博文之间的多种依赖关系,同时增强重要
博文的影响力,以捕获更丰富的信息传播结构特征.具体地,基于文本
内容和传播树结构建立异构图,使用多关系图卷积网络建模父子节点
之间的层间依赖关系和兄弟节点之间的层内依赖关系,并利用源节点
和关键传播节点建模重要博文在信息传播中的潜在影响力,从而学习
一个更全面的特征向量表示,用于检测谣言.在 3 个公开的真实数据集
上进行广泛的实验,结果表明该方法具有比其他基线方法更高的谣言
检测性能.
关键词 谣言检测;传播树;图卷积网络;信息传播;社交媒体
随 着 社 交 媒 体 的 快 速 发 展 , 用 户 生 产 内 容 (user generated
content, UGC)以此为载体可以迅速得到广泛传播、获取大量受众,
大大加速人们信息交流的速度与深度.然而,在获取便利的同时,社交
媒体也滋生许多网络谣言,成为造谣、传谣的主要领地,谣言依附新
的媒介,呈现出爆发式的增长和泛滥传播
[1]
.谣言前所未有的迅猛之势
对人类社会产生着巨大的影响,极大程度上扰乱了正常的社会秩序
[2-3]
.
检测网络中的谣言不仅能够促进清朗的网络空间建设,还能帮助人们
迅速甄别有效信息,对社会的稳定快速发展具有重大的现实意义.
谣言(rumor),是指一种从一个人传到另一个人的故事
[4]
,其真实
性一开始都是未经证实的,而其中一些后来被证明是真的 (即真谣言)
或被发现是假的(即假谣言),还有一些始终未被证实(即未经证实的谣
言)
[5]
.谣言检测(rumor detection)任务旨在确定谣言的真实性
[6]
.与主
要关注于新闻(news)文章的虚假新闻检测(fake news detection)
[7]
任
务不同,谣言检测任务涉及的话题更广,同时是一个更加细粒度的分
类任务.
谣言检测的早期研究基于博文内容
[8-12]
展开.但是,随着谣言检测技
术的不断升级,谣言的伪装能力也在动态变化.例如,谣言的发布者常
常会学习真实信息的写作特点和风格,故意模仿、伪造真实信息来逃
避检测
[13]
.因此,单纯基于博文内容检测方法,并不能有效地识别谣言.
与博文内容相比,谣言的传播模式往往与真实信息的传播存在较大差
异,且这类差异很难被隐藏.基于此,对信息传播结构的分析和探索成
为了当下谣言检测研究的热点之一.
为了探究谣言的传播特征,一些谣言检测方法主要通过统计传播
规律,人为构建特征
[14-17]
,利用传统的机器学习方法识别谣言.此类方法
依赖于繁重的特征工程,十分耗时,需要大量人力资源,并且人为构
建的特征主观性较强,缺乏高阶的特征表示.近期,研究学者利用深度
学习模型,提出很多有效的谣言检测方法
[6,18-25]
.近期,基于图模型的方
法
[26-28]
利用图神经网络建模传播树结构特征,将谣言检测任务转化为图
分类任务,也取得了一定的成果.然而,这些方法仅关注了传播过程中
博文之间的显式交互关系,如转发(或评论)关系,难以捕捉到复杂多
样的传播结构特征,限制了谣言检测的性能.
在现实的信息传播过程中,用户是否转发(或评论)某条源博文,不
仅取决于该条博文内容的影响,还可能会受到已转发(或评论)过该条
博文的其他博文的影响.如图 1 所示,社交网络用户通过转发(或评论)
行为传播谣言源内容,形成谣言的多级传播结构
[29]
.本文发现,该谣言
传播结构中包含 2 种不同类型的依赖关系,分别是层间依赖关系和层
内依赖关系.1)层间依赖关系是指在相邻层级之间,父节点与其子节点
之间的依赖关系,反映了谣言传播过程中,转发(或评论)博文与被转
发(或被评论)博文之间的直接影响.2)层内依赖关系是指在同一层级下,
同一父节点的孩子节点之间的依赖关系,反映了层级内的某条博文受
到其他同级传播内容的潜在影响.这种层内依赖表现 2 个方面的特征:
①局部的时序性特征,即先发布的博文对后发布博文产生一定的影响
②对同一博文的转发(或评论)内容越相似,更有可能形成这种层内依
赖关系.现有的大多数研究仅仅考虑父子节点之间显式的层间依赖关系 ,
而忽略了潜在的兄弟节点之间的层内依赖关系,难以捕捉到丰富的传
播结构特征,限制了谣言检测的性能.
Fig. 1 Multi-relational dependences in a rumor propagation structure
图
1
谣言传播结构中的多种依赖关系
本文提出一种基于多关系传播树的谣言检测方法,共同建模传播
树中父子节点之间的层间依赖关系和兄弟节点之间的层内依赖关系.该
方法基于博文文本内容和传播树结构信息,先构建自顶向下传播方向
和自底向上扩散方向的异构图,然后利用多关系图卷积网络建模复杂
的传播结构特征,并通过聚合 2 个方向的节点特征生成最终的特征向
量表示,用于谣言检测.
在谣言传播过程中,谣言源博文往往包含更丰富的信息内容,其
他转发(或评论)博文与谣言源博文之间存在密切的关系.此外,除了谣
言发布者,一些关键传播用户通过调动用户分享信息的积极性,在整
个谣言传播的过程中也起着重要的中介 作用 .Soroush 等人
[1]
分析
Twitter 平台的谣言传播模式发现,与真实消息相比,谣言传播的影响
范围更广,真实消息在任意一个层级上参与转发的最多人数达到 1
000 以上,而谣言的最大转发数最多可达万级.本文认为,源博文和关
键传播博文均对谣言的传播有着广泛的影响.然而,现有研究
[30]
仅仅考
虑谣言源博文在传播过程中的重要影响.为了充分考虑这 2 类重要博文
在传播过程中的潜在影响,本文提出一种关键节点增强的策略,利用
传播树中根节点和当前路径最大转发节点,增强传播树中节点的特征
向量表示,扩大重要博文的影响力,从而提升谣言检测性能.
本文的贡献主要包含 4 个方面:
1) 首次探究博文在传播过程中的多种交互关系,以挖掘更准确的
谣言传播规律,而现有研究仅考虑显式的转发(或评论)交互关系;
2) 提出一种基于传播树的多关系图卷积网络模型,共同建模传播
树中父子节点之间的层间依赖关系和兄弟节点之间的层内依赖关系,
以捕获丰富的传播结构特征;
3) 提出一种关键节点增强的策略,利用传播树中的关键节点建模
源博文和关键传播博文在信息传播中的潜在影响力;
4) 在 3 个社交网络数据集上评估模型,实验结果表明,本文方法具
有比其他基线方法更高的谣言检测性能,并且在早期传播阶段也可有
效地识别谣言.
1 相关工作
已有的谣言检测方法大致可分为:1)以博文内容和用户信息为主
要特征的谣言检测方法;2)以传播结构信息为主要特征的谣言检测方
法.
1.1 基于博文内容和用户信息的谣言检测方法
剩余36页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3552
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功