融合评论序列二义性与生成用户隐私特征的谣言检测

现有谣言检测工作存在以下问题:1)没有同时捕获评论序列的文本语义特征和时间周期特征;2)在隐私保护环境下无法获取用户个人资料,导致传播结构中的信息难以充分融合。为此,提出融合评论序列二义性与生成用户隐私特征的谣言检测模型(RD-CSGU)。综合考虑了评论序列不同视角下的文本语义特征和时间周期特征,同时构建了反映传播过程中用户之间社交互动关系的谣言传播异质网络,并基于该网络中的语义关系通过生成对抗网络(GAN)生成用户的隐私特征,解决了用户个人资料访问受限的问题。在Twitter15、Twitter16、Weibo数据集上展开有效性验证,与次优基线模型GLAN(Global-Local Attention Network)相比,RD-CSGU的准确率(Acc)分别提升了0.9、2.2和1.8个百分点,真谣言F1(TR-F1)值分别提升了2.6、6.8和1.9个百分点;结合消融实验及GAN生成嵌入分析的实验结果表明,RD-CSGU能有效检测出社交媒体平台上发布的谣言帖子。

突发公共事件网络在线评论序列的特征分析

针对网络评论这种新型文本的特点,给出了一组描述网络评论序列特征的指标,提出了一种基于网络评论倾向性的网络评论序列特征分析方法,并结合实例对网络评论序列的特征、网络新闻与其评论序列的关系,特别是谣言对评论序列的影响进行了分析。