CN109471932A - 基于学习模型的谣言检测方法、系统及存储介质 - Google Patents

基于学习模型的谣言检测方法、系统及存储介质 Download PDF

Info

Publication number
CN109471932A
CN109471932A CN201811415780.0A CN201811415780A CN109471932A CN 109471932 A CN109471932 A CN 109471932A CN 201811415780 A CN201811415780 A CN 201811415780A CN 109471932 A CN109471932 A CN 109471932A
Authority
CN
China
Prior art keywords
data
rumour
news
blog article
training
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.)
Pending
Application number
CN201811415780.0A
Other languages
English (en)
Inventor
段东圣
杜翠兰
李扬曦
佟玲玲
井雅琪
程光
张琳
任博雅
李鹏霄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
National Computer Network and Information Security Management Center
Original Assignee
National Computer Network and Information Security Management Center
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by National Computer Network and Information Security Management Center filed Critical National Computer Network and Information Security Management Center
Priority to CN201811415780.0A priority Critical patent/CN109471932A/zh
Publication of CN109471932A publication Critical patent/CN109471932A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于学习模型的谣言检测方法、系统及存储介质，其中检测方法包括：构建新闻语料库；构建博文语料库；对新闻语料库中的数据进行模型训练，获得第一分类器模型；对博文语料库中的数据进行特征提取，获得训练特征，利用训练特征进行模型训练获得第二分类器模型；利用第一分类器模型和第二分类器模型对社交平台中的博文数据进行谣言检测。本发明通过对新闻数据中的谣言和非谣言数据进行采集构建新闻语料库，再进行模型训练获得第一训练模型；再对社交平台中的谣言和非谣言数据进行采集构建博文语料库，再进行模型训练获得第二训练模型，最后利用两个训练模型对社交平台中的数据进行谣言检测，使最终的检测结果更加准确可靠。

Description

基于学习模型的谣言检测方法、系统及存储介质
技术领域
本发明涉及文本分析技术领域，尤其涉及一种基于学习模型的谣言检测方法、系统及存储介质。
背景技术
社交媒体网络谣言是指通过社交平台(例如新浪微博、腾讯微博、Twitter等)而传播的编造的没有事实根据的博文论述。主要涉及突发事件、政治选举、明星要员、颠覆传统、离经叛道等内容。社交网络谣言的传播具有突发性、传播速度快和影响范围广等特点，因此其对社会易造成较大的危害。
当前社交网络谣言的检测方法包括分析谣言的文本内容、谣言的传播过程或谣言的来源这三个方面，然而传统的谣言检测方法只是利用了上述三个方面的某一个方面或者某两个方面，没有同时考虑上述三个方面。而社交网络的文本内容、对文本的回复及文本的来源对谣言的检测都有一定的影响，因此造成谣言检测不够准确。与此同时，目前的谣言检测方法均需人工对谣言和非谣言数据进行大量的标注才能进行模型的训练，因此需要人工标注较大量的数据，而人工的标注耗时耗力，这在一定程序上会影响模型的训练和优化。
发明内容
本发明实施例提供一种基于学习模型的谣言检测方法、系统及存储介质，用以解决现有技术中存在的谣言检测不够准确的问题。
第一方面，本发明实施例提供一种基于学习模型的谣言检测方法，包括以下步骤：
构建新闻语料库；
构建博文语料库；
对所述新闻语料库中的数据进行模型训练，获得第一分类器模型；
对所述博文语料库中的数据进行特征提取，获得训练特征，利用所述训练特征进行模型训练获得第二分类器模型；
利用所述第一分类器模型和所述第二分类器模型对社交平台中的博文数据进行谣言检测。
可选的，所述构建新闻语料库，具体包括：
在新闻平台中采集谣言新闻数据以作为新闻正例，并在新闻平台中采集官方新闻数据以作为新闻负例，利用所述新闻正例和新闻负例构建所述新闻语料库。
可选的，所述构建博文语料库，具体包括：
在社交平台中采集谣言博文数据以作为博文正例，并在社交平台中采集官方博文数据以作为博文负例，利用所述博文正例和所述博文负例构建所述博文语料库。
可选的，所述对所述新闻语料库中的数据进行模型训练，获得第一分类器模型，具体包括：
利用word2vec词向量方法对新闻语料库中的谣言新闻数据和官方新闻数据进行向量化处理，获得第一数据；
利用卷积神经网络或循环神经网络对所述第一数据进行训练获得第一谣言分类器。
可选的，所述对所述博文语料库中的数据进行特征提取，获得训练特征，利用所述训练特征进行模型训练获得第二分类器模型，具体包括：
对所述博文语料库中的谣言博文数据和官方博文数据进行特征提取，获得训练特征；
利用支持向量机算法或朴素贝叶斯算法对所述训练特征进行模型训练，得到第二分类器模型。
可选的，所述训练特征包括如下一种或几种：博文文本特征、回复特征和来源特征；
其中，所述博文文本特征包括如下一种或几种：人称代词个数、正面情感词个数、负面情感词个数和URL统一资源定位符；
所述回复特征包括如下一种或几种：博文的转发数、评论数和点赞数；
所述来源特征包括如下一种或几种：用户粉丝数和关注数。
第二方面，本发明实施例提供一种基于学习模型的谣言检测系统，包括：
第一构建模块，用于构建新闻语料库；
第二构建模块，用于构建博文语料库；
第一训练模块，用于对所述新闻语料库中的数据进行模型训练，获得第一分类器模型；
第二训练摸块，用于对所述博文语料库中的数据进行特征提取，获得训练特征，利用所述训练特征进行模型训练获得第二分类器模型；
检测模块，用于利用所述第一分类器模型和所述第二分类器模型对社交平台中的博文数据进行谣言检测。
第三方面，本发明实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的任意一项所述的基于学习模型的谣言检测方法的步骤。
本发明实施例通过对新闻数据中谣言数据和非谣言数据进行采集并构建新闻语料库，并利用新闻语料库中的数据进行模型训练获得第一训练模型，然后在对社交平台中的谣言数据和非谣言数据进行采集并构建博文语料库，利用博文语料库中的数据进行模型训练获得第二训练模型，最后利用第一训练模型和第二训练模型对社交平台中的数据进行谣言检测，使得最终的检测结果更加准确可靠，解决了现有的谣言检测方法检测结果不够准确的问题。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为第一实施例提供的基于学习模型的谣言检测方法的流程图；
图2为第二实施例提供的基于学习模型的谣言检测方法的流程图；
图3为第三实施例提供的基于学习模型的谣言检测方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明第一实施例提供一种基于学习模型的谣言检测方法，结合图1，包括以下具体步骤：
步骤S101，构建新闻语料库；
步骤S102，构建博文语料库；
步骤S103，对所述新闻语料库中的数据进行模型训练，获得第一分类器模型；
步骤S104，对所述博文语料库中的数据进行特征提取，获得训练特征，利用所述训练特征进行模型训练获得第二分类器模型；
步骤S105，利用所述第一分类器模型和第二分类器模型对社交平台中的博文数据进行谣言检测。
本实施例中，所述构建新闻语料库，具体包括：在新闻平台中采集谣言新闻数据以作为新闻正例，并在新闻平台中采集官方新闻数据以作为新闻负例，利用所述新闻正例和新闻负例构建所述新闻语料库。
所述构建博文语料库，具体包括：在社交平台中采集谣言博文数据以作为博文正例，并在社交平台中采集官方博文数据以作为博文负例，利用所述博文正例和所述博文负例构建所述博文语料库。
本实施例中通过采集新闻平台中的谣言新闻和非谣言新闻来构建新闻语料库，通过采集谣言博文和非谣言博文来构建博文语料库，利用新闻语料库中的数据进行模型训练获得第一模型，利用博文语料库中的博文数据进行模型训练获得第二模型，再利用两个训练模型采用投票的方式对社交平台中的数据进行谣言检测，使得检测结果更加准确、可靠。
本发明第二实施例提供一种基于学习模型的谣言检测方法，结合图2，包括如下步骤：
步骤一、在新闻平台中持续采集谣言新闻数据以作为新闻正例，并在新闻平台中采集官方新闻数据(新闻非谣言数据)以作为新闻负例，利用所述新闻正例和新闻负例构建所述新闻语料库。本步骤在具体实施过程中，是利用采集程序采集谣言较集中的特定新闻数据源数据作为新闻语料库中的正例(新闻谣言数据)，同时采集官方新闻平台发布的新闻数据作为新闻语料库的负例(新闻非谣言数据)。
步骤二、在社交平台中持续采集谣言博文数据以作为博文正例，并在社交平台中采集官方博文数据以作为博文负例，利用所述博文正例和所述博文负例构建所述博文语料库。本步骤在具体实施过程中，可以利用采集程序在微博谣言举报平台上进行采集微博谣言数据作为博文语料库的正例，同时利用采集程序采集微博平台上经认证的官方账号发布的微博非谣言数据作为博文谣言库的负例。
步骤三、利用word2vec词向量方法对新闻语料库中的谣言新闻数据和官方新闻数据进行向量化处理，获得第一数据；
利用卷积神经网络、循环神经网络对所述第一数据进行训练获得深度学习谣言分类器。
步骤四、对所述博文语料库中的谣言博文数据和官方博文数据进行特征提取，获得训练特征；
利用支持向量机算法或朴素贝叶斯算法对所述训练特征进行模型训练，得到谣言分类器；
步骤五、利用所述深度学习谣言分类器和谣言分类器对社交平台中的博文数据进行谣言检测。
本实施例中，所述训练特征包括如下一种或几种：博文文本特征、回复特征和来源特征；其中，所述博文文本特征包括如下一种或几种：人称代词个数、正面情感词个数、负面情感词个数和URL统一资源定位符；所述回复特征包括如下一种或几种：博文的转发数、评论数和点赞数；所述来源特征包括如下一种或几种：用户粉丝数和关注数。
本发明实施例中，通过持续的采集谣言较集中的新闻数据源和社交举报平台的博文数据作为新闻语料库和博文语料库的正例，采集官方新闻平台发布的新闻和经认证的官方社交账号发布的博文作为新闻语料库的博文语料库的负例，不断更新形成新闻谣言样本库和博文谣言样本库。然后利用获取得到的新闻语料库中正例和负例训练深度学习模型分类器(即第一分离器模型)来提取谣言的语义信息特征；利用采集获取得到的博文语料库通过提取博文的文本特征、博文回复特征和来源特征训练谣言分类器(即第二分离器模型)。最后，通过投票的方式合并两个分类器结果对微博平台数据进行检测，使得检测结果更加准确。
本发明实施例中，通过把新闻语料库作为训练集训练得到神经网络模型，该神经网络模型可以提取新闻文本的语义信息，对利用博文的文本、回复和来源特征的分类器进行了补充。和传统的检测方法相对，由于本发明方法利用了更多的信息，因此对谣言的检测效果更加准确。
本发明第三实施例提供一种基于学习模型的谣言检测系统，如图3所示，包括：
第一构建模块1，用于构建新闻语料库；
第二构建模块2，用于构建博文语料库；
第一训练模块3，用于对所述新闻语料库中的数据进行模型训练，获得第一分类器模型；
第二训练摸块4，用于对所述博文语料库中的数据进行特征提取，获得训练特征，利用所述训练特征进行模型训练获得第二分类器模型；
检测模块5，用于利用所述第一分类器模型和第二分类器模型对社交平台中的博文数据进行谣言检测。
利用获取得到的新闻语料库中正例和负例训练深度学习模型分类器(即第一分离器模型)来提取谣言的语义信息特征；利用采集获取得到的博文语料库通过提取博文的文本特征、博文回复特征和来源特征训练谣言分类器(即第二分离器模型)。最后，通过投票的方式合并两个分类器结果对微博平台数据进行检测，使得检测结果更加准确，同时本发明系统解决了传统谣言检测中人工标注量大、样本质量低的问题，提高了样本质量、降低了人工标注的工作量。
本发明第四实施例提供一种存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如下方法的步骤：
步骤一、构建新闻语料库；
步骤二、构建博文语料库；
步骤三、对所述新闻语料库中的数据进行模型训练，获得第一分类器模型；
步骤四、对所述博文语料库中的数据进行特征提取，获得训练特征，利用所述训练特征进行模型训练获得第二分类器模型；
步骤五、利用所述第一分类器模型和第二分类器模型对社交平台中的博文数据进行谣言检测。
上述方法步骤的具体实施例过程可参见第一、二实施例，本实施例在此不再重复赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (8)

1.一种基于学习模型的谣言检测方法，其特征在于，所述方法包括以下步骤：
构建新闻语料库；
构建博文语料库；
对所述新闻语料库中的数据进行模型训练，获得第一分类器模型；
对所述博文语料库中的数据进行特征提取，获得训练特征，利用所述训练特征进行模型训练获得第二分类器模型；
利用所述第一分类器模型和所述第二分类器模型对社交平台中的博文数据进行谣言检测。
2.如权利要求1所述的基于学习模型的谣言检测方法，其特征在于，所述构建新闻语料库，具体包括：
在新闻平台中采集谣言新闻数据以作为新闻正例，并在新闻平台中采集官方新闻数据以作为新闻负例，利用所述新闻正例和新闻负例构建所述新闻语料库。
3.如权利要求1所述的基于学习模型的谣言检测方法，其特征在于，所述构建博文语料库，具体包括：
在社交平台中采集谣言博文数据以作为博文正例，并在社交平台中采集官方博文数据以作为博文负例，利用所述博文正例和所述博文负例构建所述博文语料库。
4.如权利要求2所述的基于学习模型的谣言检测方法，其特征在于，所述对所述新闻语料库中的数据进行模型训练，获得第一分类器模型，具体包括：
利用word2vec词向量方法对新闻语料库中的谣言新闻数据和官方新闻数据进行向量化处理，获得第一数据；
利用卷积神经网络或循环神经网络对所述第一数据进行训练获得第一谣言分类器。
5.如权利要求3所述的基于学习模型的谣言检测方法，其特征在于，所述对所述博文语料库中的数据进行特征提取，获得训练特征，利用所述训练特征进行模型训练获得第二分类器模型，具体包括：
对所述博文语料库中的谣言博文数据和官方博文数据进行特征提取，获得训练特征；
利用支持向量机算法或朴素贝叶斯算法对所述训练特征进行模型训练，得到第二分类器模型。
6.如权利要求5所述的基于学习模型的谣言检测方法，其特征在于，所述训练特征包括如下一种或几种：博文文本特征、回复特征和来源特征；
其中，所述博文文本特征包括如下一种或几种：人称代词个数、正面情感词个数、负面情感词个数和URL统一资源定位符；
所述回复特征包括如下一种或几种：博文的转发数、评论数和点赞数；
所述来源特征包括如下一种或几种：用户粉丝数和关注数。
7.一种基于学习模型的谣言检测系统，其特征在于，包括：
第一构建模块，用于构建新闻语料库；
第二构建模块，用于构建博文语料库；
第一训练模块，用于对所述新闻语料库中的数据进行模型训练，获得第一分类器模型；
第二训练摸块，用于对所述博文语料库中的数据进行特征提取，获得训练特征，利用所述训练特征进行模型训练获得第二分类器模型；
检测模块，用于利用所述第一分类器模型和所述第二分类器模型对社交平台中的博文数据进行谣言检测。
8.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任意一项所述的基于学习模型的谣言检测方法的步骤。
CN201811415780.0A 2018-11-26 2018-11-26 基于学习模型的谣言检测方法、系统及存储介质 Pending CN109471932A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811415780.0A CN109471932A (zh) 2018-11-26 2018-11-26 基于学习模型的谣言检测方法、系统及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811415780.0A CN109471932A (zh) 2018-11-26 2018-11-26 基于学习模型的谣言检测方法、系统及存储介质

Publications (1)

Publication Number Publication Date
CN109471932A true CN109471932A (zh) 2019-03-15

Family

ID=65673188

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811415780.0A Pending CN109471932A (zh) 2018-11-26 2018-11-26 基于学习模型的谣言检测方法、系统及存储介质

Country Status (1)

Country Link
CN (1) CN109471932A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705597A (zh) * 2019-09-04 2020-01-17 中国科学院计算技术研究所 基于事件因果关系抽取的网络苗头事件检测方法及系统
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
US10803387B1 (en) 2019-09-27 2020-10-13 The University Of Stavanger Deep neural architectures for detecting false claims
CN112256945A (zh) * 2020-11-06 2021-01-22 四川大学 一种基于深度神经网络的社交网络粤语谣言检测方法
CN113377959A (zh) * 2021-07-07 2021-09-10 江南大学 基于元学习及深度学习的少样本社交媒体谣言检测方法
CN113705099A (zh) * 2021-05-09 2021-11-26 电子科技大学 基于对比学习的社交平台谣言检测模型构建方法及检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150006148A1 (en) * 2013-06-27 2015-01-01 Microsoft Corporation Automatically Creating Training Data For Language Identifiers
CN105320961A (zh) * 2015-10-16 2016-02-10 重庆邮电大学 基于卷积神经网络和支持向量机的手写数字识别方法
CN106021461A (zh) * 2016-05-17 2016-10-12 深圳市中润四方信息技术有限公司 一种文本分类的方法及文本分类系统
CN106202211A (zh) * 2016-06-27 2016-12-07 四川大学 一种基于微博类型的集成微博谣言识别方法
CN106611375A (zh) * 2015-10-22 2017-05-03 北京大学 一种基于文本分析的信用风险评估方法及装置
CN108038240A (zh) * 2017-12-26 2018-05-15 武汉大学 基于内容、用户多因素分析的社交网络谣言检测方法
CN108475261A (zh) * 2016-01-27 2018-08-31 Mz知识产权控股有限责任公司 确定聊天数据中的用户情绪

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150006148A1 (en) * 2013-06-27 2015-01-01 Microsoft Corporation Automatically Creating Training Data For Language Identifiers
CN105320961A (zh) * 2015-10-16 2016-02-10 重庆邮电大学 基于卷积神经网络和支持向量机的手写数字识别方法
CN106611375A (zh) * 2015-10-22 2017-05-03 北京大学 一种基于文本分析的信用风险评估方法及装置
CN108475261A (zh) * 2016-01-27 2018-08-31 Mz知识产权控股有限责任公司 确定聊天数据中的用户情绪
CN106021461A (zh) * 2016-05-17 2016-10-12 深圳市中润四方信息技术有限公司 一种文本分类的方法及文本分类系统
CN106202211A (zh) * 2016-06-27 2016-12-07 四川大学 一种基于微博类型的集成微博谣言识别方法
CN108038240A (zh) * 2017-12-26 2018-05-15 武汉大学 基于内容、用户多因素分析的社交网络谣言检测方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705597A (zh) * 2019-09-04 2020-01-17 中国科学院计算技术研究所 基于事件因果关系抽取的网络苗头事件检测方法及系统
US10803387B1 (en) 2019-09-27 2020-10-13 The University Of Stavanger Deep neural architectures for detecting false claims
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
CN112256945A (zh) * 2020-11-06 2021-01-22 四川大学 一种基于深度神经网络的社交网络粤语谣言检测方法
CN112256945B (zh) * 2020-11-06 2022-04-29 四川大学 一种基于深度神经网络的社交网络粤语谣言检测方法
CN113705099A (zh) * 2021-05-09 2021-11-26 电子科技大学 基于对比学习的社交平台谣言检测模型构建方法及检测方法
CN113377959A (zh) * 2021-07-07 2021-09-10 江南大学 基于元学习及深度学习的少样本社交媒体谣言检测方法
CN113377959B (zh) * 2021-07-07 2022-12-09 江南大学 基于元学习及深度学习的少样本社交媒体谣言检测方法

Similar Documents

Publication Publication Date Title
CN109471932A (zh) 基于学习模型的谣言检测方法、系统及存储介质
Morstatter et al. A new approach to bot detection: striking the balance between precision and recall
CN109325165B (zh) 网络舆情分析方法、装置及存储介质
Venugopalan et al. Exploring sentiment analysis on twitter data
CN109145216A (zh) 网络舆情监控方法、装置及存储介质
CN111310476B (zh) 一种使用基于方面的情感分析方法的舆情监控方法和系统
CN103336766B (zh) 短文本垃圾识别以及建模方法和装置
Gharge et al. An integrated approach for malicious tweets detection using NLP
CN109829166B (zh) 基于字符级卷积神经网络的民宿顾客意见挖掘方法
De Silva et al. User type classification of tweets with implications for event recognition
CN108021660B (zh) 一种基于迁移学习的话题自适应的微博情感分析方法
US9563770B2 (en) Spammer group extraction apparatus and method
CN104317784A (zh) 一种跨平台用户识别方法和系统
Khatri et al. Detecting offensive content in open-domain conversations using two stage semi-supervision
CN109739989A (zh) 文本分类方法和计算机设备
Bingol et al. Rumor Detection in Social Media using machine learning methods
CN104573030A (zh) 一种文本情绪预测方法及装置
CN107544961A (zh) 一种社交媒体评论的情感分析方法、设备及其存储设备
Siregar et al. Identification of Indonesian clickbait news headlines with long short-term memory recurrent neural network algorithm
Chandra et al. Anti social comment classification based on kNN algorithm
Dass et al. Cyberbullying detection on social networks using LSTM model
Rajesh et al. Fraudulent news detection using machine learning approaches
Jung et al. A hybrid mood classification approach for blog text
Campbell et al. Content+ context networks for user classification in twitter
Sinhal et al. YouTube: Spam comments filtration using hybrid ensemble machine learning models

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190315

RJ01 Rejection of invention patent application after publication