CN110362818A - 基于用户关系结构特征的微博谣言检测方法和系统 - Google Patents

基于用户关系结构特征的微博谣言检测方法和系统 Download PDF

Info

Publication number
CN110362818A
CN110362818A CN201910489380.2A CN201910489380A CN110362818A CN 110362818 A CN110362818 A CN 110362818A CN 201910489380 A CN201910489380 A CN 201910489380A CN 110362818 A CN110362818 A CN 110362818A
Authority
CN
China
Prior art keywords
tree
vector
user
rumour
propagation
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
CN201910489380.2A
Other languages
English (en)
Inventor
黄琪
周川
胡玥
谭建龙
郭莉
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.)
Institute of Information Engineering of CAS
Original Assignee
Institute of Information Engineering of CAS
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 Institute of Information Engineering of CAS filed Critical Institute of Information Engineering of CAS
Priority to CN201910489380.2A priority Critical patent/CN110362818A/zh
Publication of CN110362818A publication Critical patent/CN110362818A/zh
Pending legal-status Critical Current

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
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/95—Retrieval from the web
    • G06F16/951—Indexing; Web crawling techniques
    • 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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于用户关系结构特征的微博谣言检测方法和系统。该方法包括以下步骤：1)根据用户行为信息构造用户关系结构图，对所述用户关系结构图进行建模得到用户向量；2)根据微博话题流数据的传播路径构造传播树，对所述传播树进行编码得到传播树向量；3)将所述用户向量和所述传播树向量进行级联，并输入神经网络来判断微博话题是否为谣言。该系统包括用户编码器、传播树编码器和集成器。本发明对谣言传播过程中参与的用户进行建模，得到微博数据流中所有用户的向量表示，在谣言检测过程中增加了有用的检测因素，即体现了用户特征的作用，提高了谣言检测系统的正确率和F1值。

Description

基于用户关系结构特征的微博谣言检测方法和系统
技术领域
本发明属于人工智能、智能文本分析、舆情分析技术领域，涉及谣言检测方法，具体涉及一种基于用户关系结构特征的微博谣言检测方法和系统。
背景技术
微博谣言是指通过社交媒体网络(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论述。微博谣言涉及社会、政治、经济、文化等内容，如社会突发事件、政治选举、热点事件等。微博谣言的传播具有突发性、传播速度快和影响范围广等特点，因此其对国家和社会极易造成较大的危害。例如，某人因为长相与某案件中的嫌疑人相似而被人肉，给其工作和生活带来了极大的困扰且损害了其个人形象和名誉。
针对社交网络谣言的检测方法主要集中在分析谣言的文本内容、谣言的传播过程和谣言发布者特征三个方面，当前方法可以分为两大类：关注谣言文本内容特征模式和关注谣言传播结构模式。
通过分析谣言文本的内容特征，zhao等人(Z.Zhao,P.Resnick,and Q.Mei,“Enquiring Minds:Early Detection of Rumors in Social Media from EnquiryPosts,”in Proceedings of the 24th International Conference on World Wide Web,2015,pp.1395-1405.)提出了一组正则表达式集合来识别微博数据流中的谣言信号博文，之后对信号推文进行聚类，利用机器学习方法判定类簇是否为谣言。Gupta等人(AditiGupta,Ponnurangam Kumaraguru,Carlos Castillo,and Patrick Meier,“Tweetcred:Real-time credibility assessment of content on twitter,”In Proceedings of theInternational Conference on Social Informatics.Springer,2014,pp.228–243.)发现相对于正常文本，谣言文本包含更多发誓性的词语和人称代词，因此利用这类文本特征作为谣言指示器可以检测出谣言文本。为了对谣言数据流在时序上的变化进行建模，Kwon等人(S.Kwon,M.Cha,K.Jung,W.Chen,and Y.Wang,“Prominent features of umorpropagation in online social media,”in Proceedings of the 13th InternationalConference on Data Mining,2013,pp.1103-1108.)提出对博文数量在时间上变化进行建模，在此基础上，Ma等人(J.Ma,W.Gao,Z.Wei,Y.Lu,and K.-F.Wong,“Detect rumors usingtime series of social context information on microblogging websites,”inProceedings of the 24th ACM International on Conference on Information andKnowledge Management,2015,pp.1751-1754.)将时序上变化的特征进行了扩展。由于神经网络模型在其他任务上的优异表现，Ma等人(J.Ma,W.Gao,P.Mitra,S.Kwon,B.Jansen,K.-F.Wong,and M.Cha,“Detecting rumors from microblogs with recurrent neuralnetworks,”in Proceedings of the 25th International Joint Conference onArtificial Intelligence,2016,pp.3818-3824.)利用循环神经网络(RNN)来提取谣言文本内容信息对谣言进行检测。
通过观察谣言传播结构特征，Wu等人(K.Wu,S.Yang,and K.Q.Zhu,“False rumorsdetection on sina weibo by propagation structures,”in Proceedings of the 31stIEEE International Conference on Data Engineering,2015,pp.651-662.)发现谣言的传播结构具有一定的相似性，因此其提出利用基于核函数的方法对传播树进行建模，他们应用RBF核函数和基于随机游走图核函数的混合核函数扩展了SVM分类器。之后，Ma等人(J.Ma,W.Gao,and K.-F.Wong,“Detect rumors in microblog posts using propagationstructure via kernel learning,”in Proceedings of the 55th Annual Meeting ofthe Association for Computational Linguistics(Volume 1:Long Papers),2017,vol.1,pp.708-717.)提出了一个基于树的模型来计算两颗传播树的相似度，从而识别微博流中的谣言信息。目前，Ma等人(J.Ma,W.Gao,and K.-F.Wong,“Rumor Detection onTwitter with Tree-structured Recursive Neural Networks,”in Proceedings of the56th Annual Meeting of the Association for Computational Linguistics(LongPapers),2018,pp.1980-1989.)提出的利用递归神经网络来桥连内容语义和传播线索的方法是关注谣言传播结构模式的最优方法。该方法同时考虑了文本语义特征和传播结构特征，并对语义特征和传播结构线索特征进行了有效地融合。
Ma等人提出的树结构递归神经网络模型将微博数据流中的谣言事件看作一个传播结构树，树的根节点是谣言的源推文，转发或回复该源推文和转发或回复该源推文的转发或回复推文形成一颗以谣言源推文为根节点的传播树。传播树结构如图1所示。
为了判定每颗传播树中的言论(源推文)是否为谣言，Ma等人根据遍历传播树的方向不同提出了两种不同树结构：1)自底向上树；2)自顶向下树。遍历结构树如图2所示。
Ma等人提出利用递归神经网络模型来捕获结构树中节点的语义信息和传播结构特征。针对两种不同的树结构，Ma等人提出了自底向上递归网络模型和自顶向下递归神经网络模型。模型示意图如图3所示。
目前Ma等人提出的方法利用递归神经网络来捕获和表示谣言传播树的语义和传播线索特征，即利用递归神经网络得到传播树的向量表示桥连了内容语义特征和传播线索特征。这种方式忽略了用户特征的作用，没有将用户特征融入到模型。研究表明，当谣言传播时，谣言的传播者是具有一定的群体性，在社交网络媒体中存在一部分用户专门对谣言内容进行传播。其次，社交网络媒体中的权威用户(如官方媒体账号)发布的消息和新闻都是经专业审查和认证，其发布的内容具有一定权威性和正确性，因此消息发布者的信誉在谣言检测过程中占有很大的比重。
发明内容
本发明利用图卷积神经网络对用户关系结构进行建模，刻画用户模型，提出了一种基于用户关系结构特征的谣言检测方法和系统。本方法的重点在于对社交网络媒体用户建模，利用用户特征、传播特征和文本特征对谣言进行检测。
本发明采用的技术方案如下：
一种基于用户关系结构特征的微博谣言检测方法，包括以下步骤：
1)根据用户行为信息构造用户关系结构图，对所述用户关系结构图进行建模得到用户向量；
2)根据微博话题流数据的传播路径构造传播树，对所述传播树进行编码得到传播树向量；
3)将所述用户向量和所述传播树向量进行级联，并输入神经网络来判断微博话题是否为谣言。
进一步地，步骤1)所述用户关系结构图表示为G＝(V,E)，其中V表示微博数据集合S中的所有用户，E表示用户关系结构图中的边；所述集合S包括话题集T和用户集U。
进一步地，步骤1)使用图卷积神经网络对用户关系结构图进行建模，每个用户的特征表示包括：粉丝数、关注数、发帖数、是否认证。
进一步地，给定用户特征矩阵X和邻接矩阵A，经图卷积神经网络模型计算得到每个用户的向量表示，计算公式为：
其中矩阵L(0)＝，L(j+1)和L(j)分别表示经j+1层卷积后得到的节点向量表示和经j层卷积后得到的节点向量表示，Wj表示需模型学习的权重参数。
进一步地，步骤2)利用基于树结构的递归神经网络模型对传播树进行编码，得到桥连文本语义特征和传播线索的向量表示，即得到传播树向量。
进一步地，步骤3)采用全连接层神经网络判断微博话题是否为谣言。
进一步地，根据遍历传播树的方向不同，分为自底向上树和自顶向下树，分别实现自底向上的谣言检测方法和自顶向下的谣言检测方法。
一种基于用户关系结构特征的微博谣言检测系统，其包括：
用户编码器，用于对根据用户行为信息构造的用户关系结构图进行建模，得到用户向量；
传播树编码器，用于对根据微博话题流数据的传播路径构造的传播树进行编码，得到传播树向量；
集成器，用于将所述用户编码器和所述传播树编码器得到的用户向量和传播树向量进行级联，并输入神经网络来判断微博话题是否为谣言。
进一步地，所述用户编码器使用图卷积神经网络对用户关系结构图进行建模，得到用户向量；所述传播树编码器利用基于树结构的递归神经网络模型对传播树进行编码，得到桥连文本语义特征和传播线索的向量表示，即得到传播树向量；所述集成器采用全连接层神经网络判断微博话题是否为谣言。
本发明的关键点是：
1、根据用户行为信息构造用户关系结构图，并对用户关系结构进行建模得到用户向量表示；
2、利用用户向量表示，级联传播树结构编码向量，采用全连接层神经网络对微博话题进行判断，提高了谣言检测的准确率。
本发明的有益效果如下：
本发明对谣言传播过程中参与的用户进行建模，得到微博数据流中所有用户的向量表示，在谣言检测过程中增加了有用的检测因素，即体现了用户特征的作用，提高了谣言检测系统的正确率和F1值。
附图说明
图1.传播树结构图。
图2.自底向上/自顶向下树。
图3.自底向上/自顶向下树递归神经网络模型示意图，其中(a)图为自底向上，(b)图为自顶向下。
图4.图卷积神经网络模型示意图。
图5.自底向上混合模型检测系统示意图。
图6.自顶向下混合模型检测系统示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本发明做进一步详细说明。
本发明利用图卷积神经网络对用户关系结构进行建模，刻画用户模型，提出了一种基于用户关系结构特征的谣言检测方法和系统。下面是对用户关系结构模型、谣言检测方法和系统的介绍。
1.用户关系结构模型
微博数据流可以看做是包括话题集T和用户集U的集合S＝(T,U)，其中T＝(T1,T2,T3…Ti…Tn)，Ci表示与源推文ri有关的按时间顺序排列的所有推文ti(i＝1～m)的集合，即Ti＝(ri,t1，t2,…,tm)。U＝(U1,U2,U3…Ui…Un),Ui表示Ti中所有推文对应用户的集合，即根据用户参与讨论同一个话题的用户行为关系，我们可以构造一个用户关系结构图G＝(V,E)，其中V表示微博数据集集合S中的所有用户，E表示用户关系结构图中的边。当两个用户参与了同一个话题的讨论时，则他们间存在一条边。因此用户关系结构可以表示为矩阵A，矩阵A中的取值如下面的表达式所示，其中，Ai,j表示用户i和用户j之间是否存在一条边：
为了得到每个用户的向量表示，我们使用图卷积神经网络对用户关系结构图进行建模。每个用户(即图中的节点)的特征表示由它的粉丝数、关注数、发帖数、是否认证等特征组成。模型结构如图4所示，其中最左边的虚线框内是微博中用户参与各个话题讨论后产生互动关系的示意图。C表示关系网络图经向量化后的表示，其中X1～X4表示节点1至4的特征向量。F表示经图卷积神经网络处理后得到各个节点的向量，Z1～Z4表示节点1至4经图卷积神经网络处理后的向量。在用户关系结构图中，用户是图中的每个节点，因此最右边的实线框内是经图卷积神经网络后所有节点(即所有用户)的向量表示。
给定用户特征矩阵X和邻接矩阵A，经图卷积神经网络模型计算得到每个用户的向量表示，计算公式如下：
其中矩阵L(0)＝，L(j+1)和L(j)分别表示经j+1层卷积后得到的节点向量表示和经j层卷积后得到的节点向量表示，Wj表示需模型学习的权重参数。
2.谣言检测方法及系统
本发明的重点是谣言检测方法和系统，该方法和系统包括三个模块：用户编码器、传播树编码器和集成器。用户编码器通过使用上述用户关系结构模型对用户进行建模得到微博数据流中所有用户的向量表示，即得到用户向量。传播树编码器利用Ma等人提出的基于树结构的递归神经网络模型对传播树进行编码得到桥连文本语义特征和传播线索的向量表示，即得到传播树向量。最后通过集成器将上述两个模块得到向量进行级联，输入到一层全连接层判断该话题是否为谣言。根据遍历树方向的不同，我们得到自底向上混合模型和自顶向下混合模型的检测系统。系统架构如图5、6所示，其中，r表示根据源博文文本内容的向量化表示，x1～x12表示传播树中每条博文文本内容的向量化表示，vt表示传播树向量，vu表示用户向量，pooling表示池化操作，Wc表示全连接层中的权重系数，表示模型预测得到的结果向量。
系统处理流程如下：
输入：按时间排序的微博话题流数据和与流数据相关的用户数据
输出：判断该话题是否为谣言
1、将微博话题流数据的文本数据进行标准化，得到每条文本的TF-IDF表示；
2、根据流数据的传播路径构造话题传播树；
3、将传播树输入传播树编码器得到传播树向量；
4、将该话题源推文的用户输入用户编码器得到用户向量；
5、将传播树向量和用户向量首尾相连得到融合用户特征、语义特征和传播特征的向量表示v，即v＝(vt,vu)；
6、将融合了用户特征、语义特征和传播特征的向量v输入层数为1的全连接层集成器得到预测向量即
本发明的上述技术方案中，未详细描述的部分可以采用现有技术实现。
实验数据：两个公开可获得的Twitter数据集，记为Twitter15和Twitter16，其中Twitter15包含1381颗传播树和276663个用户；Twitter16包含1181颗传播树和173487个用户。
如表1和表2所示，其中BU-RvNN和TD-RvNN是Ma等人(J.Ma,W.Gao,and K.-F.Wong,“Rumor Detection on Twitter with Tree-structured Recursive Neural Networks,”in Proceedings of the 56th Annual Meeting of the Association forComputational Linguistics(Long Papers),2018,pp.1980-1989.)文献中提出的两种方法，BU-Hybrid和TD-Hybrid分别是本发明对两种方法的改进。对于所有流言类本发明的方法在两个数据集上正确率在最好的情况下分别提升了3％和3.6％，对于假流言类上F1值在最好的情况下分别提升了1.5％和2.3％，在真流言类上F1值在最好的情况下分别提升了7.2％和8.1％，对于未经确定流言类上F1值在最好的情况下分别提升了5.5％和4.8％。
本发明在计算传播树中每条推文的向量时不限于使用TF-IDF方法对文本内容进行表示，还可以使用word2vec、词袋模型和paragraph2vec等方法；在对传播树进行建模时不限于使用递归神经网络，还可以使用循环神经网络模型等；对用户关系结构图建模时除了使用图卷积神经网络模型，还可以利用LINE等对图节点进行表示的模型求解节点向量表示。
表1 Twitter15数据集谣言检测性能
注：NR-非流言；FR-假流言；TR-真流言；UR-未经确认流言
表2 Twitter16数据集谣言检测性能
注：NR-非流言；FR-假流言；TR-真流言；UR-未经确认流言
以上实施例仅用以说明本发明的技术方案而非对其进行限制，本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明的原理和范围，本发明的保护范围应以权利要求书所述为准。

Claims (10)

1.一种基于用户关系结构特征的微博谣言检测方法，其特征在于，包括以下步骤：
1)根据用户行为信息构造用户关系结构图，对所述用户关系结构图进行建模得到用户向量；
2)根据微博话题流数据的传播路径构造传播树，对所述传播树进行编码得到传播树向量；
3)将所述用户向量和所述传播树向量进行级联，并输入神经网络来判断微博话题是否为谣言。
2.根据权利要求1所述的方法，其特征在于，步骤1)所述用户关系结构图表示为G＝(V,E)，其中V表示微博数据集合S中的所有用户，E表示用户关系结构图中的边；所述集合S包括话题集T和用户集U。
3.根据权利要求2所述的方法，其特征在于，所述用户关系结构图表示为矩阵A，矩阵A中的取值如下所示：
4.根据权利要求1所述的方法，其特征在于，步骤1)使用图卷积神经网络对用户关系结构图进行建模，每个用户的特征表示包括：粉丝数、关注数、发帖数、是否认证。
5.根据权利要求4所述的方法，其特征在于，给定用户特征矩阵X和邻接矩阵A，经图卷积神经网络模型计算得到每个用户的向量表示，计算公式为：
其中矩阵L(0)＝X，L(j+1)和L(j)分别表示经j+1层卷积后得到的节点向量表示和经j层卷积后得到的节点向量表示，Wj表示需模型学习的权重参数。
6.根据权利要求1所述的方法，其特征在于，步骤2)利用基于树结构的递归神经网络模型对传播树进行编码，得到桥连文本语义特征和传播线索的向量表示，即得到传播树向量。
7.根据权利要求1所述的方法，其特征在于，步骤3)采用全连接层神经网络判断微博话题是否为谣言。
8.根据权利要求1所述的方法，其特征在于，根据遍历传播树的方向不同，分为自底向上树和自顶向下树，分别实现自底向上的谣言检测方法和自顶向下的谣言检测方法。
9.一种基于用户关系结构特征的微博谣言检测系统，其特征在于，包括：
用户编码器，用于对根据用户行为信息构造的用户关系结构图进行建模，得到用户向量；
传播树编码器，用于对根据微博话题流数据的传播路径构造的传播树进行编码，得到传播树向量；
集成器，用于将所述用户编码器和所述传播树编码器得到的用户向量和传播树向量进行级联，并输入神经网络来判断微博话题是否为谣言。
10.根据权利要求9所述的系统，其特征在于，所述用户编码器使用图卷积神经网络对用户关系结构图进行建模，得到用户向量；所述传播树编码器利用基于树结构的递归神经网络模型对传播树进行编码，得到桥连文本语义特征和传播线索的向量表示，即得到传播树向量；所述集成器采用全连接层神经网络判断微博话题是否为谣言。
CN201910489380.2A 2019-06-06 2019-06-06 基于用户关系结构特征的微博谣言检测方法和系统 Pending CN110362818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910489380.2A CN110362818A (zh) 2019-06-06 2019-06-06 基于用户关系结构特征的微博谣言检测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910489380.2A CN110362818A (zh) 2019-06-06 2019-06-06 基于用户关系结构特征的微博谣言检测方法和系统

Publications (1)

Publication Number Publication Date
CN110362818A true CN110362818A (zh) 2019-10-22

Family

ID=68215612

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910489380.2A Pending CN110362818A (zh) 2019-06-06 2019-06-06 基于用户关系结构特征的微博谣言检测方法和系统

Country Status (1)

Country Link
CN (1) CN110362818A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795641A (zh) * 2019-11-05 2020-02-14 重庆邮电大学 基于表示学习的网络谣言传播控制方法
CN111291190A (zh) * 2020-03-23 2020-06-16 腾讯科技（深圳）有限公司 一种编码器的训练方法、信息检测的方法以及相关装置
CN111428151A (zh) * 2020-04-20 2020-07-17 浙江工业大学 一种基于网络增速的虚假消息识别方法及其装置
CN111581534A (zh) * 2020-05-22 2020-08-25 哈尔滨工程大学 一种基于立场一致的谣言传播树结构优化方法
CN112001072A (zh) * 2020-08-17 2020-11-27 东北财经大学 基于爆发阈值及用户体验的谣言抑制方法
CN112231562A (zh) * 2020-10-15 2021-01-15 北京工商大学 一种网络谣言识别方法及系统
CN112270174A (zh) * 2020-11-10 2021-01-26 清华大学深圳国际研究生院 一种谣言检测方法及计算机可读存储介质
CN112329444A (zh) * 2020-11-10 2021-02-05 南开大学 融合文本和传播结构的早期谣言检测方法
CN113343126A (zh) * 2021-08-06 2021-09-03 四川大学 基于事件与传播结构的谣言检测方法
CN113434684A (zh) * 2021-07-01 2021-09-24 北京中科研究院 自监督学习的谣言检测方法、系统、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103618702A (zh) * 2013-11-14 2014-03-05 清华大学 社会网络信息传播态势感知方法及系统
CN103795592A (zh) * 2014-01-21 2014-05-14 中国科学院信息工程研究所 网络水军的检测方法及装置
CN104317807A (zh) * 2014-09-24 2015-01-28 中国人民武装警察部队工程大学 一种基于网络科学的微博用户关系网络演化模型构造方法
CN106354845A (zh) * 2016-08-31 2017-01-25 上海交通大学 基于传播结构的微博谣言识别方法和系统
CN107797998A (zh) * 2016-08-29 2018-03-13 腾讯科技（深圳）有限公司 含谣言用户生成内容识别方法和装置
CN108280057A (zh) * 2017-12-26 2018-07-13 厦门大学 一种基于blstm的微博谣言检测方法
CN108563686A (zh) * 2018-03-14 2018-09-21 中国科学院自动化研究所 基于混合神经网络的社交网络谣言识别方法及系统
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控系统时空数据预测方法
CN110134873A (zh) * 2019-04-15 2019-08-16 周口师范学院 一种基于转发网络层次分析的微博谣言预测方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103618702A (zh) * 2013-11-14 2014-03-05 清华大学 社会网络信息传播态势感知方法及系统
CN103795592A (zh) * 2014-01-21 2014-05-14 中国科学院信息工程研究所 网络水军的检测方法及装置
CN104317807A (zh) * 2014-09-24 2015-01-28 中国人民武装警察部队工程大学 一种基于网络科学的微博用户关系网络演化模型构造方法
CN107797998A (zh) * 2016-08-29 2018-03-13 腾讯科技（深圳）有限公司 含谣言用户生成内容识别方法和装置
CN106354845A (zh) * 2016-08-31 2017-01-25 上海交通大学 基于传播结构的微博谣言识别方法和系统
CN108280057A (zh) * 2017-12-26 2018-07-13 厦门大学 一种基于blstm的微博谣言检测方法
CN108563686A (zh) * 2018-03-14 2018-09-21 中国科学院自动化研究所 基于混合神经网络的社交网络谣言识别方法及系统
CN108664687A (zh) * 2018-03-22 2018-10-16 浙江工业大学 一种基于深度学习的工控系统时空数据预测方法
CN110134873A (zh) * 2019-04-15 2019-08-16 周口师范学院 一种基于转发网络层次分析的微博谣言预测方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
JING MA ET.AL: "Rumor Detection on Twitter with Tree-structured Recursive Neural Networks", 《PROCEEDINGS OF THE 56TH ANNUAL MEETING OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS》 *
MENGYU ZHENG ET.AL: "FraudNE: a Joint Embedding Approach for Fraud Detection", 《2018 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS》 *
WEIJUN HONG ET.AL: "A novel SCNDR rumor propagation model on online social networks", 《2015 INTERNATIONAL CONFERENCE ON CONSUMER ELECTRONICS-TAIWAN (ICCE-TW)》 *
ZHENHUANG YONG ET.AL: "Rumors Detection in Sina Weibo Based on Text and User Characteristics", 《2018 2ND IEEE ADVANCED INFORMATION MANAGEMENT,COMMUNICATES,ELECTRONIC AND AUTOMATION CONTROL CONFERENCE(IMCEC 2018)》 *
张家义等: "融合情感特征的网络谣言识别研究", 《情报探索》 *
程晓涛等: "基于关系图特征的微博水军发现方法", 《自动化学报》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110795641A (zh) * 2019-11-05 2020-02-14 重庆邮电大学 基于表示学习的网络谣言传播控制方法
CN110795641B (zh) * 2019-11-05 2022-09-27 重庆邮电大学 基于表示学习的网络谣言传播控制方法
CN111291190A (zh) * 2020-03-23 2020-06-16 腾讯科技（深圳）有限公司 一种编码器的训练方法、信息检测的方法以及相关装置
CN111291190B (zh) * 2020-03-23 2023-04-07 腾讯科技（深圳）有限公司 一种编码器的训练方法、信息检测的方法以及相关装置
CN111428151A (zh) * 2020-04-20 2020-07-17 浙江工业大学 一种基于网络增速的虚假消息识别方法及其装置
CN111428151B (zh) * 2020-04-20 2022-05-17 浙江工业大学 一种基于网络增速的虚假消息识别方法及其装置
CN111581534A (zh) * 2020-05-22 2020-08-25 哈尔滨工程大学 一种基于立场一致的谣言传播树结构优化方法
CN111581534B (zh) * 2020-05-22 2022-12-13 哈尔滨工程大学 一种基于立场一致的谣言传播树结构优化方法
CN112001072A (zh) * 2020-08-17 2020-11-27 东北财经大学 基于爆发阈值及用户体验的谣言抑制方法
CN112001072B (zh) * 2020-08-17 2023-06-16 东北财经大学 基于爆发阈值及用户体验的谣言抑制方法
CN112231562A (zh) * 2020-10-15 2021-01-15 北京工商大学 一种网络谣言识别方法及系统
CN112231562B (zh) * 2020-10-15 2023-07-14 北京工商大学 一种网络谣言识别方法及系统
CN112329444B (zh) * 2020-11-10 2022-09-02 南开大学 融合文本和传播结构的早期谣言检测方法
CN112329444A (zh) * 2020-11-10 2021-02-05 南开大学 融合文本和传播结构的早期谣言检测方法
CN112270174A (zh) * 2020-11-10 2021-01-26 清华大学深圳国际研究生院 一种谣言检测方法及计算机可读存储介质
CN113434684A (zh) * 2021-07-01 2021-09-24 北京中科研究院 自监督学习的谣言检测方法、系统、设备及存储介质
CN113343126B (zh) * 2021-08-06 2021-12-21 四川大学 基于事件与传播结构的谣言检测方法
CN113343126A (zh) * 2021-08-06 2021-09-03 四川大学 基于事件与传播结构的谣言检测方法

Similar Documents

Publication Publication Date Title
CN110362818A (zh) 基于用户关系结构特征的微博谣言检测方法和系统
Sun et al. Ddgcn: Dual dynamic graph convolutional networks for rumor detection on social media
Beskow et al. Bot conversations are different: leveraging network metrics for bot detection in twitter
Leskovec Dynamics of large networks
CN103116605B (zh) 一种基于监测子网的微博热点事件实时检测方法及系统
Gu et al. Etree: Effective and efficient event modeling for real-time online social media networks
CN105488092B (zh) 一种时间敏感和自适应的子话题在线检测方法及系统
Weng Information diffusion on online social networks
CN107291886A (zh) 一种基于增量聚类算法的微博话题检测方法及系统
CN103678670A (zh) 一种微博热词与热点话题挖掘系统及方法
CN107870957A (zh) 一种基于信息增益和bp神经网络的热门微博预测方法
CN104166726B (zh) 一种面向微博文本流的突发关键词检测方法
Song et al. Adversary-aware rumor detection
CN103631862B (zh) 基于微博的事件特征演化挖掘方法及系统
Chakraborty et al. SPAM: a framework for social profile abuse monitoring
CN103117891A (zh) 微博平台上的僵尸用户探测方法
Sheth et al. Semantic filtering for social data
Lwowski et al. Geospatial event detection by grouping emotion contagion in social media
CN108549632A (zh) 一种基于情感分析的社交网络影响力传播模型构建方法
Tavakolifard et al. Does social contact matter? modelling the hidden web of trust underlying twitter
CN110929683B (zh) 一种基于人工智能的视频舆情监测方法及系统
Jin et al. Predicting information pathways across online communities
Liu et al. Improving fraud detection via hierarchical attention-based graph neural network
CN109522460A (zh) 一种基于社交网络社团划分的舆情监测方法及系统
Peng et al. Domain-aware federated social bot detection with multi-relational graph neural networks

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20191022