CN107403007A - 一种基于网络的微博消息可信度判别模型的方法 - Google Patents
一种基于网络的微博消息可信度判别模型的方法 Download PDFInfo
- Publication number
- CN107403007A CN107403007A CN201710609782.2A CN201710609782A CN107403007A CN 107403007 A CN107403007 A CN 107403007A CN 201710609782 A CN201710609782 A CN 201710609782A CN 107403007 A CN107403007 A CN 107403007A
- Authority
- CN
- China
- Prior art keywords
- comment
- mrow
- feature
- false
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/958—Organisation or management of web site content, e.g. publishing, maintaining pages or automatic linking
- G06F16/986—Document structures and storage, e.g. HTML extensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/20—Natural language analysis
- G06F40/279—Recognition of textual entities
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Fuzzy Systems (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明是一种基于网络的微博消息可信度判别模型的方法,步骤如下:步骤一:计算先验知识;步骤二:定义网络模式;步骤三:定义元路径并生成网络;步骤四:在异构信息网络上做分类;步骤五:虚假消息识别。本发明的优点及功效:一、将评论网络建模为异构信息网络并在异构信息网络上做分类,这在微博虚假消息识别中是一次创新。二、训练数据不需要标注,节省了人力和时间。三、相比于以往研究中通过最终结果来计算特征的重要性,本发明中将特征权重的计算作为模型的一部分,得到最终分类结果的同时也得到了特征的重要性,并且在分类过程中可以观察到特征权重的变化。四、提高了微博虚假消息识别的准确率。
Description
●技术领域
本发明提供一种基于网络的微博消息可信度判别模型的方法,具体涉及一种将微博消息的评论网络建模为异构信息网络并将消息可信度判别过程映射为异构信息网络上的分类问题的方法,属于数据挖掘技术领域。
●背景技术
微博(microblog)是一种流行的信息发布和共享社交服务,用户可以通过互联网或移动客户端等传播媒介,随时随地表达个人观点与兴趣爱好。微博凭借信息传播的共享性、实时性、互动性以及传播方式的多样性,深刻地影响了人们的生活方式,极大地提升了网络媒体的服务效能。根据中国互联网信息中心(China Internet Network InformationCenter,CINIC)2017年1月发布的全国互联网发展统计报告,我国网民规模达7.31亿,其中微博用户超过2.67亿,占整体网民的36.5%。微博是一种新的自媒体工具,而且其发布信息的门槛较低,任意用户均可通过微博发表个人意见,表达个人情感。微博的此特性使得用户彼此之间的交流更加简单、方便。与此同时,微博独有的信息多样化、表达自由化、传播速度迅速等特性,反而使其成为虚假信息、不实言论传播的绝佳平台,从而促进了微博谣言的产生与扩散。所谓微博谣言,即在微博这个特定的平台上出现并流传的未经官方公开证实或者已经被官方所辟谣的消息。微博上的谣言造成的危害显而易见,轻则损害个人利益,重则引起社会恐慌,损害国家利益。因此如何选择可信度高、有价值的信息,判断并识别虚假信息等,已成为政府、企业及个人密切关注的问题。
目前,关于虚假消息检测的方法主要包括以下两个关键点:①数据集特征选取,即找出虚假消息与正常信息的特征差异从而构建分类器输入的特征向量。目前常见的特征向量是基于消息的、基于用户的、基于话题的、基于传播的、基于内容的以及基于网络的特征。在后续的虚假消息分类预测研究中,大多数研究者都通过在此特征基础上进行舍取和创新,从而提高分类器的准确性。②分类算法的选择,目前常见的分类模型可以分为三大类:基于规则的分类方法(决策树、关联规则等)和基于统计的分类方法(朴素贝叶斯、支持向量机等)以及基于神经网络的分类方法(BP神经网络)。上述分类模型都是使用单一的分类器对微博虚假消息进行检测,准确性不高,并且训练数据要经过标注,浪费大量的人力和时间。因此,本发明提出将消息的评论网络建模为异构信息网络,并在此网络上寻找可用的元路径,然后通过元路径计算特征权重,最后根据特征权重计算评论是虚假评论的概率(虚假信息刚发布的时候,人们倾向于怀疑、判断的态度,本说明中将表征这类态度的评论简称为虚假评论,其余为真实评论)。
●发明内容
1.基本定义
①信息网络:可以用一个图G=(V,E)来表示,其中V为网络中的对象,E为对象之间的链接。在网络中,有一个对象类型映射函数和一个链接类型映射函数ψ:E→R,即每个对象v∈V属于一个特定的对象类型每条链接e∈E属于特定的关系类型ψ(e)∈R。
②异构信息网络:在信息网络基础上,如果对象类型|A|>1或关系类型|R|>1,网络为异构信息网络。
③网络模式:在异构信息网络G=(V,E)中有对象类型映射和链接类型映射ψ:E→R,网络模式是在对象类型A上定义的图,边为来自R的关系,表示为TG=(A,R)。网络模式描述了一个已给定网络的结构,即网络中存在多少节点及可能存在的边。
④元路径:元路径P是一条定义在网络模式图TG=(A,R)上的路径,表示为A1(R1)A2(R2)…RlAl+1。它定义了对象类型A1和A1+1之间的复合关系R=R1oR2o...oRl,其中o表示关系上的复合操作。元路径P的长度为在路径P上的关系数。为了简单,也可以使用路径上的类型名称来表示元路径,如将上面所示元路径简单表示为A1A2…Al+1的形式。
2.目的
本发明目的是提供一种基于网络的微博消息可信度判别模型的方法,在大量的微博消息中,能够快速、准确地识别微博虚假消息,进而有助于其它部门的下一步工作。
本发明的原理是:首先计算每一条评论初始状态下是虚假评论的可能性,然后定义一个阶梯函数获取两条评论关于某个特征的虚假评论确定性级别,对于级别相同的两条评论为它们建立一条连通此特征的元路径,直至得到整个评论网络。最后在异构信息网络中做分类,得到每条评论最终是虚假评论的概率。分类过程有两步,第一步是进行特征权重的计算,这决定了每个特征在识别过程中所做的贡献,对此本发明提出了一个权重计算公式,其用到了虚假评论确定性级别以及初始状态时是虚假评论的可能性。第二步是求得每条评论最终被确定为虚假评论的可能性。首先求得待分类评论和与其有连接的已经被确定为虚假评论的评论之间的虚假评论确定性,本发明提出了一个虚假评论确定性计算公式,其用到了上一步求得的特征权重。然后,取其均值作为此评论最终被确定为虚假评论的可能性。
3.预备工作
①学习模式说明
模型的学习有两种模式,一种是半监督模式,一种是非监督模式。在半监督模式中,抽取部分数据并对其做标注,对于那些确定是虚假评论的评论,将其标注为1,确定不是虚假评论的评论,将其标注为0,剩余数据为未标注状态。在非监督模式中,所有数据均为未标注状态。
②特征说明
在特征的选取方面,本发明选取了两种类型的特征,分别是基于评论的特征和基于用户的特征。两类特征的分类和说明具体介绍见下表1。
表1
4.技术方案
本发明是一种基于网络的微博消息可信度判别模型的方法,其特征在于:基于评论的特征和基于用户的特征。该方法具体步骤如下:
步骤一:计算先验知识
对于一条评论u,首先计算它在初始状态时是一条虚假评论的可能性yu。在半监督模式中,如果评论u是一条虚假评论,其yu=1,否则yu=0。对于未标注的评论,认为其yu=0。在非监督模式中,评论u在初始状态时是一条虚假评论的可能性yu通过等式(1)计算:
其中,f(xlu)表示评论u关于特征l是一条虚假评论的可能性,L表示总的特征数量。而f(xlu)是通过等式(2)计算:
Xl是评论i关于特征l的随机变量,其对应的概率分布为P。
步骤二:定义网络模式
根据提取的特征可以定义网络模式,网络模式中描述了不同类型的网络节点以及在网络中各个节点是怎样连接的。一个特征包括支持性、置信度、关注度和活跃度的网络的网络模式如图1所示。
步骤三:定义元路径并生成网络
对于一条评论u,其关于某个特征l的虚假评论确定性的等级由等式(3)计算:
其中,s是等级的个数,这里选择s=10,也就是说,一共有10个等级,即
如果两条评论u和v,它们关于某个特征l的虚假评论确定性的等级相等,即那么为评论u和评论v之间建立一条关于特征l的元路径,它们之间的元路径的值记为则如果两条评论u和v的虚假评论确定性的等级和不相等,则它们之间就是没有元路径的,它们之间的元路径的值记为
对所有评论关于每个特征计算虚假评论确定性的等级,为所有相等等级的两条评论建立元路径,直至生成整个评论网络。
步骤四:在异构信息网络上做分类
①计算特征权重,得到每个特征在判别模型中的重要性
在异构信息网络中,如果两个节点关于某个特征l存在元路径,且已知其中一个节点关于特征l是虚假评论的可能性很高,则另一个节点关于特征l是虚假评论的可能性也很高。在计算特征权重时,只考虑已经被标注为虚假消息评论所作的贡献。为了计算特征l的权重Wl,提出下面等式(4):
其中,n表示评论的数量,表示评论u和评论v通过特征l连接的元路径的值,如果评论u和评论v关于特征l是没有元路径的,则yu和yv是评论u和评论v的先验知识,即,在半监督模式中,初始状态时如果评论u是一条虚假消息评论,其yu=1,否则yu=0。对于未标注的评论,认为其yu=0。在非监督模式中,初始状态时评论u的先验知识是通过等式(1)去计算的。
②计算评论是虚假评论的最终概率
对于一条未标注的评论u,需要计算其是虚假评论的最终概率,这里我们只考虑其和已经被标注为虚假评论v的关系。如果评论u与虚假评论v之间有元路径,则评论u是虚假评论的可能性Pu,v用等式(5)计算:
则评论u是虚假评论的最终概率Pu通过等式(6)计算:
Pu=avg(Pu,1,Pu,2,...,Pu,r) (6)
其中r表示在异构信息网络中与评论u有元路径的已经被标注为虚假评论的数量。
步骤五:虚假消息识别
将微博消息的评论分类之后,通过统计各个消息中真假评论所占的比例可以得到一个阈值,它能够将真假消息很好地区分开,如果一个消息中虚假评论数量超过这个阈值,那么这个微博消息就是一个虚假消息。
5.本发明的优点及功效
①将评论网络建模为异构信息网络并在异构信息网络上做分类,这在微博虚假消息识别中是一次创新。
②训练数据不需要标注,节省了人力和时间。
③相比于以往研究中通过最终结果来计算特征的重要性,本发明中将特征权重的计算作为模型的一部分,得到最终分类结果的同时也得到了特征的重要性,并且在分类过程中可以观察到特征权重的变化。
③提高了微博虚假消息识别的准确率。
④
●附图说明
图1所示为步骤二所述的网络模式示例。
图2所示为实施例——在评论网络中使用本说明方法示例。
图3所示为本发明方法流程框图。
●具体实施方式
下面结合附图和实施例,对本发明的技术方案做进一步的说明。
为了更好的理解本说明中方法的各个步骤,我们做了一个示例,见图2。
在此异构信息网络中,有3个用户,分别是User1,User2,和User3。User1发布了评论Review1,User2发布了评论Review2和Review3,User3发布了评论Review4。其中Review1和Review3已经被标注为虚假评论,Review2被标注为非虚假评论,Review4是一条未标注的评论。我们需要计算的是Review4最后是虚假评论的可能性(概率)。网络中使用了两种类型的特征,分别是基于用户的特征和基于评论的特征。
步骤一:计算各个评论的先验知识,这里y1=1,y2=0,y3=1,y4=0。
步骤二:定义网络模式
根据提取的特征可以定义网络模式,网络模式中描述了不同类型的网络节点以及在网络中各个节点是怎样连接的。
步骤三:定义元路径并生成网络:查找网络中的元路径,值得注意的是由于计算最终虚假评论的可能性,只考虑其和已经被标注为虚假评论的关系,故有些和已经被标注为非虚假评论相关的元路径就没有给出(例如Review2,计算用不到)。下表2列举了网络中的相关元路径与其对应的元路径值。
表2评论网络中的元路径
步骤四:首先,计算各个特征的权重。
其次:计算在连接节点Review1和Review3是虚假评论的情况下,Review4是虚假评论的概率。
则,Review4最终是虚假评论的概率P4=avg(P1,4,P3,4)=0.432
步骤五:虚假消息识别过程。
将微博消息的评论分类之后,统计各个消息中的阈值,假如实验中得到的阈值为0.3,这说明如果一个消息中的虚假评论数量超过整体评论的的0.3,那么这个微博消息就是一个虚假消息。
Claims (1)
1.一种基于网络的微博消息可信度判别模型的方法,其特征在于:该方法具体步骤如下:
步骤一:计算先验知识
对于一条评论u,首先计算它在初始状态时是一条虚假评论的可能性yu;在半监督模式中,如果评论u是一条虚假评论,其yu=1,否则yu=0;对于未标注的评论,认为其yu=0;在非监督模式中,评论u在初始状态时是一条虚假评论的可能性yu通过等式(1)计算:
<mrow>
<msub>
<mi>y</mi>
<mi>u</mi>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>/</mo>
<msubsup>
<mi>L&Sigma;</mi>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</msubsup>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>l</mi>
<mi>u</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,f(xlu)表示评论u关于特征l是一条虚假评论的可能性,L表示总的特征数量;而f(xlu)是通过等式(2)计算:
Xl是评论i关于特征l的随机变量,其对应的概率分布为P;
步骤二:定义网络模式
根据提取的特征可以定义网络模式,网络模式中描述了不同类型的网络节点以及在网络中各个节点是怎样连接的;
步骤三:定义元路径并生成网络
对于一条评论u,其关于某个特征l的虚假评论确定性的等级由等式(3)计算:
其中,s是等级的个数,这里选择s=10,也就是说,一共有10个等级,即
<mrow>
<msubsup>
<mi>m</mi>
<mi>u</mi>
<mi>l</mi>
</msubsup>
<mo>=</mo>
<mo>{</mo>
<mn>0</mn>
<mo>,</mo>
<mn>0.1</mn>
<mo>,</mo>
<mn>0.2</mn>
<mo>,</mo>
<mn>0.3</mn>
<mo>,</mo>
<mn>0.4</mn>
<mo>,</mo>
<mn>0.5</mn>
<mo>,</mo>
<mn>0.6</mn>
<mo>,</mo>
<mn>0.7</mn>
<mo>,</mo>
<mn>0.8</mn>
<mo>,</mo>
<mn>0.9</mn>
<mo>}</mo>
<mo>;</mo>
</mrow>
如果两条评论u和v,它们关于某个特征l的虚假评论确定性的等级相等,即那么为评论u和评论v之间建立一条关于特征l的元路径,它们之间的元路径的值记为则如果两条评论u和v的虚假评论确定性的等级和不相等,则它们之间就是没有元路径的,它们之间的元路径的值记为
对所有评论关于每个特征计算虚假评论确定性的等级,为所有相等等级的两条评论建立元路径,直至生成整个评论网络;
步骤四:在异构信息网络上做分类
①计算特征权重,得到每个特征在判别模型中的重要性
在异构信息网络中,如果两个节点关于某个特征l存在元路径,且已知其中一个节点关于特征l是虚假评论的可能性很高,则另一个节点关于特征l是虚假评论的可能性也很高;在计算特征权重时,只考虑已经被标注为虚假消息评论所作的贡献;为了计算特征l的权重Wl,提出下面等式(4):
<mrow>
<msub>
<mi>W</mi>
<mi>l</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>m</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>*</mo>
<msub>
<mi>y</mi>
<mi>u</mi>
</msub>
<mo>*</mo>
<msub>
<mi>y</mi>
<mi>v</mi>
</msub>
</mrow>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>u</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>v</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msubsup>
<mi>m</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
<mi>l</mi>
</msubsup>
</mrow>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,n表示评论的数量,表示评论u和评论v通过特征l连接的元路径的值,如果评论u和评论v关于特征l是没有元路径的,则yu和yv是评论u和评论v的先验知识,即,在半监督模式中,初始状态时如果评论u是一条虚假消息评论,其yu=1,否则yu=0;对于未标注的评论,认为其yu=0;在非监督模式中,初始状态时评论u的先验知识是通过等式(1)去计算的;
②计算评论是虚假评论的最终概率
对于一条未标注的评论u,需要计算其是虚假评论的最终概率,这里我们只考虑其和已经被标注为虚假评论v的关系;如果评论u与虚假评论v之间有元路径,则评论u是虚假评论的可能性Pu,v用等式(5)计算:
<mrow>
<msub>
<mi>P</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mo>&Pi;</mo>
<mrow>
<mi>l</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>L</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>m</mi>
<mrow>
<mi>u</mi>
<mo>,</mo>
<mi>v</mi>
</mrow>
<mi>l</mi>
</msubsup>
<mo>*</mo>
<msub>
<mi>W</mi>
<mi>l</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
则评论u是虚假评论的最终概率Pu通过等式(6)计算:
Pu=avg(Pu,1,Pu,2,...,Pu,r) (6)
其中r表示在异构信息网络中与评论u有元路径的已经被标注为虚假评论的数量;
步骤五:虚假消息识别
将微博消息的评论分类之后,通过统计各个消息中真假评论所占的比例可以得到一个阈值,它能够将真假消息很好地区分开,如果一个消息中虚假评论数量超过这个阈值,那么这个微博消息就是一个虚假消息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710609782.2A CN107403007B (zh) | 2017-07-25 | 2017-07-25 | 一种基于网络的微博消息可信度判别模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710609782.2A CN107403007B (zh) | 2017-07-25 | 2017-07-25 | 一种基于网络的微博消息可信度判别模型的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107403007A true CN107403007A (zh) | 2017-11-28 |
CN107403007B CN107403007B (zh) | 2020-05-05 |
Family
ID=60401464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710609782.2A Active CN107403007B (zh) | 2017-07-25 | 2017-07-25 | 一种基于网络的微博消息可信度判别模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403007B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717042A (zh) * | 2019-09-24 | 2020-01-21 | 北京工商大学 | 一种构建文档-关键词异构网络模型方法 |
CN110990683A (zh) * | 2019-11-29 | 2020-04-10 | 重庆邮电大学 | 一种基于地域与情感特征的微博谣言集成识别方法及装置 |
CN111159395A (zh) * | 2019-11-22 | 2020-05-15 | 国家计算机网络与信息安全管理中心 | 基于图神经网络的谣言立场检测方法、装置和电子设备 |
CN112818248A (zh) * | 2021-02-26 | 2021-05-18 | 西北大学 | 一种基于情感的物品推荐模型构建、推荐方法及系统 |
CN113064991A (zh) * | 2021-03-17 | 2021-07-02 | 西北工业大学 | 一种基于人机协作的微博事件真假检测方法 |
CN113434628A (zh) * | 2021-05-14 | 2021-09-24 | 南京信息工程大学 | 一种基于特征级与传播关系网络的评论文本置信检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163225A (zh) * | 2011-04-11 | 2011-08-24 | 中国科学院地理科学与资源研究所 | 一种基于微博客收集的交通信息融合评价方法 |
CN103150378A (zh) * | 2013-03-13 | 2013-06-12 | 珠海市君天电子科技有限公司 | 一种鉴定微博广告中虚假好评的方法 |
US20140314311A1 (en) * | 2013-04-23 | 2014-10-23 | Wal-Mart Stores, Inc. | System and method for classification with effective use of manual data input |
CN105868415A (zh) * | 2016-05-06 | 2016-08-17 | 黑龙江工程学院 | 一种基于历史微博的微博实时过滤模型 |
-
2017
- 2017-07-25 CN CN201710609782.2A patent/CN107403007B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102163225A (zh) * | 2011-04-11 | 2011-08-24 | 中国科学院地理科学与资源研究所 | 一种基于微博客收集的交通信息融合评价方法 |
CN103150378A (zh) * | 2013-03-13 | 2013-06-12 | 珠海市君天电子科技有限公司 | 一种鉴定微博广告中虚假好评的方法 |
US20140314311A1 (en) * | 2013-04-23 | 2014-10-23 | Wal-Mart Stores, Inc. | System and method for classification with effective use of manual data input |
CN105868415A (zh) * | 2016-05-06 | 2016-08-17 | 黑龙江工程学院 | 一种基于历史微博的微博实时过滤模型 |
Non-Patent Citations (1)
Title |
---|
段大高等: "基于微博评论的虚假消息检测模型", 《计算机仿真》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110717042A (zh) * | 2019-09-24 | 2020-01-21 | 北京工商大学 | 一种构建文档-关键词异构网络模型方法 |
CN111159395A (zh) * | 2019-11-22 | 2020-05-15 | 国家计算机网络与信息安全管理中心 | 基于图神经网络的谣言立场检测方法、装置和电子设备 |
CN111159395B (zh) * | 2019-11-22 | 2023-02-17 | 国家计算机网络与信息安全管理中心 | 基于图神经网络的谣言立场检测方法、装置和电子设备 |
CN110990683A (zh) * | 2019-11-29 | 2020-04-10 | 重庆邮电大学 | 一种基于地域与情感特征的微博谣言集成识别方法及装置 |
CN112818248A (zh) * | 2021-02-26 | 2021-05-18 | 西北大学 | 一种基于情感的物品推荐模型构建、推荐方法及系统 |
CN112818248B (zh) * | 2021-02-26 | 2023-04-18 | 西北大学 | 一种基于情感的物品推荐模型构建、推荐方法及系统 |
CN113064991A (zh) * | 2021-03-17 | 2021-07-02 | 西北工业大学 | 一种基于人机协作的微博事件真假检测方法 |
CN113064991B (zh) * | 2021-03-17 | 2024-04-19 | 西北工业大学 | 一种基于人机协作的微博事件真假检测方法 |
CN113434628A (zh) * | 2021-05-14 | 2021-09-24 | 南京信息工程大学 | 一种基于特征级与传播关系网络的评论文本置信检测方法 |
CN113434628B (zh) * | 2021-05-14 | 2023-07-25 | 南京信息工程大学 | 一种基于特征级与传播关系网络的评论文本置信检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107403007B (zh) | 2020-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107403007A (zh) | 一种基于网络的微博消息可信度判别模型的方法 | |
Heidari et al. | Deep contextualized word embedding for text-based online user profiling to detect social bots on twitter | |
Morstatter et al. | A new approach to bot detection: striking the balance between precision and recall | |
CN104462592B (zh) | 基于不确定语义的社交网用户行为关系推演系统及方法 | |
CN109299811B (zh) | 一种基于复杂网络的欺诈团伙识别和风险传播预测的方法 | |
CN104899267B (zh) | 一种社交网站账号相似度的综合数据挖掘方法 | |
US11361045B2 (en) | Method, apparatus, and computer-readable storage medium for grouping social network nodes | |
CN103927398B (zh) | 基于最大频繁项集挖掘的微博炒作群体发现方法 | |
CN103500175B (zh) | 一种基于情感分析在线检测微博热点事件的方法 | |
CN107835113A (zh) | 一种基于网络映射的社交网络中异常用户检测方法 | |
CN106909643A (zh) | 基于知识图谱的社交媒体大数据主题发现方法 | |
CN110956210B (zh) | 一种基于ap聚类的半监督网络水军识别方法及系统 | |
CN105893637A (zh) | 大规模微博异构信息网络中的链接预测方法 | |
CN104077412B (zh) | 一种基于多Markov链的微博用户兴趣预测方法 | |
CN110990683A (zh) | 一种基于地域与情感特征的微博谣言集成识别方法及装置 | |
CN107305545A (zh) | 一种基于文本倾向性分析的网络意见领袖的识别方法 | |
CN113422761A (zh) | 基于对抗学习的恶意社交用户检测方法 | |
Benabbou et al. | Fake accounts detection system based on bidirectional gated recurrent unit neural network | |
Raihan et al. | Human behavior analysis using association rule mining techniques | |
CN106557983B (zh) | 一种基于模糊多类svm的微博垃圾用户检测方法 | |
Dan et al. | Study of bot detection on Sina-Weibo based on machine learning | |
Geng et al. | Rumor detection of Sina Weibo based on SDSMOTE and feature selection | |
CN113064991B (zh) | 一种基于人机协作的微博事件真假检测方法 | |
Zhang | Research on collaborative filtering recommendation algorithm based on social network | |
CN111310066B (zh) | 一种基于主题模型和关联规则算法的好友推荐方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20211220 Address after: 410023 Room 101, building 3, wisdom Park, country garden, Xuehua village, bachelor street, Yuelu District, Changsha City, Hunan Province Patentee after: HUNAN ZHONGKE YOUXIN TECHNOLOGY CO.,LTD. Address before: 100048, Fu Cheng Road, Beijing, Haidian District, No. 33 Patentee before: BEIJING TECHNOLOGY AND BUSINESS University |
|
TR01 | Transfer of patent right |