微博污染检测模型

信息传播的高速性加剧了谣言等网络污染在微博网络中的扩散。微博网络的用户量和信息量极为庞大。因此,对微博污染传播机制和污染检测手段的研究显得尤为重要。根据基于用户影响力建立的微博谣言传播模型,利用蚁群算法逆推污染传播路径,搜索受染用户,并分别以Twitter和新浪微博为实验平台,通过对比分析验证了模型的可行性。实验结果表明:模型通过对受染个体的搜索,缩小了污染的检测范围,提高了微博污染的治理效率和准确性。

社会媒体用户对谣言关注度的实证研究

以新浪微博为数据来源,选用含有"谣言"的微博总数代理微博用户对谣言的关注度,并识别其中的原创微博数量、认证微博数量、图片微博数量、视频微博数量和短链微博数量,进而对各变量之间的关系展开实证研究。结果发现:第二天的微博用户谣言关注度与前一天的原创微博数量、图片微博数量和短链微博数量显著相关;原创微博数量、认证微博数量、图片微博数量和视频微博数量均是微博用户谣言关注度的格兰杰原因;微博用户谣言关注度波动性大、预测困难,对自身冲击的响应有一周左右的惯性,其变化的预测方差主要由自身变化来解释。

微博社区的谣言传播仿真研究

利用谣言在人类社区中的传播方式与病毒传播类似的特性,将微博社区用户抽象为网络中的节点,构造微博信息传播网,从宏观角度研究谣言在网络中的传播机理。SIR建模和计算机仿真证明,谣言传播受有效传染率和网络度分布熵影响,有效传染率越大,网络受影响规模越大,网络度分布熵越小,谣言越容易传播。

基于小世界网络的微博谣言传播演进研究

刻画谣言在微博上的快速传播状态,研究影响谣言传播的关键因素。基于传染病的基础模型,将受众扩展为5类(无知者、接触者、传播者、沉寂者、失去兴趣者),引入兴趣衰减系数描述个体多次接触谣言时转发兴趣降低状态,同时考虑了个体只会转发一次的现实状况。为验证模型的有效性,对模型进行了多主体仿真,并将仿真数据与两个真实案例的数据对比,发现构建的模型可以较好地拟合现实情况。通过仿真实验,对不同因素的系数进行对比分析,发现改变兴趣衰减系数、首次转发概率以及小世界网络的属性都显著影响了微博的传播演进过程。

基于BA模型的微博谣言传播机理研究

基于BA无标度网络模型,融合微博用户网络的特征,构造一种微博谣言传播网络模型。提出一种新的SIR(susceptible-infected-removed)模型,通过数值仿真探讨微博谣言的传播动力学行为。研究表明,当微博用户规模以及节点间新建连接数量不断增大时,微博谣言的最终感染程度显著增大,网络的传播临界值却大幅降低。研究还发现,拥有较大吸引度的节点比例以及微博用户之间添加反向关注的概率基本不影响谣言的传播特性。

微博传播条件下的拟态环境研究

在微博传播时代,新闻信息的发布已经变得非常简便和自由,微博传播,在社会上引起了强烈的关注,起到了良好的传播信息和舆论监督作用。但是,大量微博谣言的传播,也形成了虚假的"拟态环境",影响了社会的和谐与稳定。分析微博谣言形成的原因和传播特点,创新微博管理机制,采取合理的应对措施,使"拟态环境"更接近于真实世界,是当前网络新闻传播的当务之急。

基于图卷积网络的归纳式微博谣言检测新方法

为了解决传统图卷积神经网络在进行谣言检测时面临的未充分考虑单词语义信息以及池化方法选择困难的问题,提出基于图卷积网络(GCN)的归纳式微博谣言检测新方法.考虑单词之间的语义关系,结合传统词共现建图方法提出基于词语义相关性的微博事件建图方法,并结合图卷积网络和门循环单元(GRU)实现节点信息聚合;为了有效融合不同节点状态的特征信息,提出基于注意力机制的多池化方法融合策略融合最大池、平均池和全局池以获取最终的图级向量;为了提高微博谣言检测效率,探究微博评论时间对检测结果的影响,获得用于模型训练的最佳评论利用时间阈值.实验结果表明,本研究方法在给定数据集上的表现普遍优于Text-CNN、BiGCN、TextING等典型方法,验证了其在微博谣言检测领域的有效性.

大学生微博(微信)传谣信谣治理实证研究——以广东省高校为例

微博(微信)是各种意识形态碰撞、激荡、交融的重要场所,是主流意识形态与非主流意识形态争夺阵地在网络上的延伸。通过对广东省内20所高校大学生微博(微信)传谣信谣的现状进行调查及成因分析可以发现,微博(微信)谣言在大学生中传播削弱了高校主流意识形态教育的影响力及主阵地建设,弱化了大学生的政治辨识能力及道德伦理认知能力,因而加强"微"空间主流意识形态宣传教育、加大高校网络法制管理,加快高校"微"文化建设,正确引导大学生识谣辨谣,提升大学生的政治是非识别能力,十分必要。

“微内容”环境下谣言生成的社会原因及其治理

微博谣言传播缘于信息匮乏与不透明、民众社会看客心理以及娱乐心态,并与微博用户身份的虚拟性与可匿性、政府管理不力有密切关系,此外,宽松的微博准入环境也是微博谣言传播的催化剂。加大政府治理谣言力度、实行微博实名制认证、构建官方微博、开辟辟谣专区、推进网络空间法制化、发挥意见领袖的舆论引导作用等是控制微博谣言传播的有效手段。

基于Lotka-Volterra的微博谣言事件演进分析

微博作为新媒体时代的重要工具,为谣言的传播提供了沃土,谣言及其相伴而生的反谣言在传播过程中相互竞争。研究微博谣言事件中,谣言和反谣言的交互演进规律有助于快速有效地澄清谣言。借鉴生态学中的Lotka-Volterra种间竞争模型,建立了谣言-反谣言的传播模型,分析其在相互抑制、相互促进、促进-抑制、抑制-促进的四种作用模式下的平衡点,研究发现最终的平衡点仅由谣言-反谣言之间的影响系数来决定,同时试图以微博案例来解释微博谣言难以根除的原因。为验证模型的有效性,采用了微博2013年8月"成都高新区奥克斯广场发生劫持公交事件"的谣言事件为实证案例,采集微博相关数据,对模型进行了较好的拟合。最后提出了应对谣言、管理微博的建议。

自动谣言检测分析与实现

针对微博中谣言泛滥的问题,提出一种自动识别谣言的方法。该方法基于机器学习的原理,并在前人的基础上,结合赞的数目和置疑度两个新特征。实验结果显示结合新特征实现的系统在识别谣言上准确率达到82%,验证所提出的方法与特征的可行性和有效性。

基于主题和预防模型的微博谣言检测

针对微博短文本存在的特征提取困难及微博谣言传播浪费网络资源的问题,提出了基于主题和预防模型的微博谣言检测.对微博进行主题提取,按主题分类后提取基于用户、传播结构、内容三方面的统计特征.将样本与官方谣言子集中的微博进行相似度计算,将其值与传统特征进行特征融合之后作为统计特征进入有监督的机器学习.实验结果表明,相对于传统的有监督机器学习,该方法将微博谣言检测的性能提升了3%左右,同时实现了谣言预防.

网络微博谣言的治理策略解析

近年来,网络微博作为个性化媒体平台和舆论阵地,正在重塑和改变着我国当代社会。而随着海量网络微博信息尤其是微博谣言的大量产生与传播,引发了一系列严重的社会问题。构建完善的网络自媒体传播法律法规,规范与处置不法网络信息传播行为,强化网络信息流转的政府监管,积极改进公共服务,积极引导公众的舆论方向,增强网民的谣言辨识能力是网络微博谣言治理的必然选择。

一种用于微博谣言检测的半监督学习算法

在微博谣言检测中,对微博谣言进行正确标注需要耗费大量的人力和时间,同时数据类别的不平衡也影响了微博谣言的正确识别。为了解决该问题,提出一种基于Co-Forest算法针对不平衡数据集的改进方法,利用SMOTE算法和分层抽样平衡数据分布,并通过代价敏感的加权投票法来提高对未标记样本预测的正确率。该方法只需要对少量训练数据实例进行谣言类别标注即可有效检测谣言。10组UCI测试数据和2组微博谣言的实证实验证明了算法有效性。

政府微博与网络流言的关系和政府微博对网络流言的作用

近年来,网络流言引发的公共危机事件频发,政府微博的出现为消除网络流言的负面影响提供了新途径。通过多案例研究的方法验证了政府微博与网络流言的关系以及政府微博对网络流言的作用,指出政府微博应对真假流言时效果并不明显,政府微博并不能担负起遏制网络流言的重任,并据此提出了相关建议。

基于卷积神经网络的谣言检测

人工检测谣言通常需要耗费大量的人力物力,并且会有很长的检测延迟。目前现存的谣言检测模型一般根据谣言的内容、用户属性、传播方式人工地构造特征,而人工构建特征存在考虑片面、浪费人力等现象。为了解决这个问题,提出了基于卷积神经网络(CNN)的谣言检测模型。将微博中的谣言事件向量化,通过卷积神经网络隐含层的学习训练来挖掘表示文本深层的特征,避免了特征构建的问题,并能发现那些不容易被人发现的特征,从而产生更好的效果。实验结果表明,所提方法能够准确识别谣言事件,在准确率、精确率与F1值指标上优于支持向量机(SVM)与循环神经网络(RNN)等对比算法。

基于集成学习的微博谣言早期检测

微博谣言早期检测对于谣言防治有重要作用,而在谣言发生的早期缺乏相关信息,检测难度大.该文通过构建检测特征和组合多种检测算法实现微博谣言的早期检测.在检测特征选取方面,不直接使用微博的评论转发信息,而是通过对待检测微博文本和用户历史微博进行情感分析,构建刻画出用户和微博的情感特征.在检测算法方面,采用集成学习方法作为谣言检测算法,算法的基模型由多个异构深度学习模型组成,元模型采取随机森林算法,以元模型在基模型的预测输出上进行二次训练的方式组合不同模型以提高检测准确率.实验表明,该方法在谣言早期检测方面具有较好的检测效果.

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(Weighted-Graph Convolutional Netw ork,W-GCN)模型的新浪微博谣言检测方法.该方法通过W-GCN模型,学习得到节点的隐层表示,进而对节点进行分类,最终完成谣言检测任务.实验结果表明,与现有的谣言检测方法相比,本文提出的基于W-GCN模型的谣言检测方法,可以提高谣言检测的正确率、精确率、召回率和F1值,即能更有效地识别谣言.

传播路径树核学习的微博谣言检测方法

微博等在线社交平台的迅猛发展,促进了各种谣言信息的广泛传播,进而给社会秩序带来了潜在的威胁。微博谣言检测能够有效遏制谣言的传播,对净化网络环境、维护社会安定具有重要意义。针对传统谣言检测模型仅考虑用户、内容、传播统计等特征,忽略了谣言传播过程中用户的影响力、情感反馈等特征随转发和评论关系变化而变化的结构问题,提出了一种基于微博信息传播树的路径树核谣言检测模型。所提模型将用户的影响力、情感反馈和内容等特征嵌入传播树的节点中,通过计算传播树中从根节点到叶子节点的路径相似度,得到微博信息传播树结构之间的相似度,进而使用基于传播路径树核的支持向量机实现对微博谣言的检测。实验结果显示,所提模型的准确率达到93.5%,其效果优于未考虑传播路径结构特征的谣言检测模型。

基于异构图注意力网络的微博谣言监测模型

社交媒体方便了人们的日常交流和信息传播,同时也是谣言滋生和传播的温床,因此如何在谣言传播早期自动监测极具现实意义,而现有的检测方法没有充分利用微博信息传播图的语义信息。为了解决这个问题,基于异构图注意力网络(HAN)构建了谣言监测模型MicroBlog-HAN。该模型采用含有节点级注意力和语义级注意力的分层注意力机制。首先,节点级注意力结合微博节点的邻居生成两组具有特定语义的节点嵌入;然后,语义级注意力融合不同语义,得到最终的节点嵌入,并输入到分类器中执行二分类任务;最后,给出输入微博是谣言还是非谣言的分类结果。在两个真实的微博谣言数据集上的实验结果表明,MicroBlog-HAN模型可以实现微博谣言较准确的识别,准确率超过87%。