基于多模态特征融合的社交媒体虚假新闻检测

【目的/意义】社交媒体在改变新闻传播以及人类获取信息方式的同时,也成为了虚假新闻传播的主要渠 道。因此,快速识别社交媒体中的虚假新闻,扼制虚假信息的传播,对净化网络空间、维护公共安全至关重要。【方 法/过程】为了有效识别社交媒体上发布的虚假新闻,本文基于对虚假新闻内容特征的深入剖析,分别设计了文本 词向量、文本情感、图像底层、图像语义特征的表示方法,用以提取社交网络中虚假新闻的图像特征信息和文本特 征信息,构建多模态特征融合的虚假新闻检测模型,并使用MediaEval2015数据集对模型性能进行效果验证。【结果/ 结论】通过对比分析不同特征组合方式和不同分类方法的实验结果,发现融合文本特征和图像特征的多模态模型 可以有效提升虚假新闻检测效果。【创新/局限】研究从多模态的角度设计了虚假新闻检测模型,融合了文本与图像 的多种特征。然而采用向量拼接来实现特征融合,不仅无法实现各种特征的充分互补,而且容易造成维度灾难。     

基于DR-Transformer模型的多模态情感识别研究

【目的/意义】本文融合文本和图像的多模态信息进行情感识别,引入图片模态信息进行情感语义增强,旨在 解决单一文本模态信息无法准确判定情感极性的问题。【方法/过程】本文以网民在新浪微博发表的微博数据为实 验对象,提出了一种基于DR-Transformer模型的多模态情感识别算法,使用预训练的DenseNet和RoBERTa模型, 分别提取图片模态和文本模态的情感特征;通过引入Modal Embedding机制,达到标识不同模态特征来源的目的; 采用浅层Transformer Encoder对不同模态的情感特征进行融合,利用Self-Attention机制动态调整各模态信息特征 的权重。【结果/结论】在微博数据集上的实验表明：模型情感识别准确率为 79.84%;相较于基于单一文本、图片模 态的情感分类算法,本模型准确率分别提升了 4.74%、19.05%;相较于对不同模态特征向量进行直接拼接的特征融 合方法,本模型准确率提升了 1.12%。充分说明了本模型在情感识别的问题上具有科学性、合理性、有效性。【创 新/局限】利用 Modal Embedding 和 Self-Attention 机制能够有效的融合多模态信息。微博网络舆情数据集还需进 一步扩充。     

基于增强对抗网络和多模态融合的谣言检测方法

【目的/意义】随着社交网络的复杂化,当前谣言往往是由描述事件的文本、对应的图片或者视频组成,多种 模态的谣言更容易给用户传达一种错误的认知。现有谣言检测的研究往往只使用谣言文本特征,且未能充分挖掘 谣言与事件存在的联系。【方法/过程】因此本文提出一种基于增强对抗网络和多模态融合的谣言检测方法,使用 BERT 和 Text-CNN 提取文本特征,使用 VGG-19网络提取图像特征,再通过注意力机制捕捉多个模态的特征交 互,最后使用增强对抗网络来挖掘谣言和事件之间联系。【结果/结论】在公开的微博多模态数据集上进行对比实 验,实验结果表明该方法检测的准确率达到了 92.5%,相较于传统单模态和现有多模态模型,提升了约 10%~20%。 【创新/局限】本文将对抗网络和多模态特征融入谣言检测中,有效提升了谣言检测的效果,但目前仅尝试了文本和 图像两种模态的结合,如何融合更多模态的特征后续有待研究。     

融合上下文特征和BERT词嵌入的新闻标题分类研究

【目的/意义】随着社交媒体的发展,各类新闻数量激增,舆情监测处理越来越重要,高效精确的识别舆情新 闻可以帮助有关部门及时搜集跟踪突发事件信息并处理,减小舆论对社会的影响。本文提出一种融合 BERT、 TEXTCNN、BILSTM的新闻标题文本分类模型,充分考虑词嵌入信息、文本特征和上下文信息,以提高新闻标题类 别识别的准确率。【方法/过程】将使用BERT生成的新闻标题文本向量输入到TEXTCNN提取特征,将TEXTCNN 的结果输入到 BILSTM 捕获新闻标题上下文信息,利用 softmax判断分类结果。【结果/结论】研究表明,本文提出的 融合了基于语言模型的 BERT、基于词向量 TEXTCNN 和基于上下文机制 BILSTM 三种算法的分类模型在准确 率、精确率、召回率和F1值均达到了0.92以上,而且具有良好的泛化能力,优于传统的文本分类模型。【创新/局限】 本文使用BERT进行词嵌入,同时进行特征提取和捕获上下文语义,模型识别新闻类别表现良好,但模型参数较多 向量维度较大对训练设备要求较高,同时数据类别只有10类,未对类别更多或类别更细化的数据进行实验。     

融入改进SIR模型的移动社交网络谣言传播用户 群体动态演化仿真研究

【目的/意义】近年来移动社交网络的高速发展推动了学术界对网络舆情的关注,网络谣言作为其中的重要 组成部分越来越受到监管部门的关注。本文通过建模仿真对谣言传播群体动态演化特征进行分析,以期为有关部 门有效应对和控制移动社交网络谣言提供借鉴。【方法/过程】本文以经典SIR模型为基础,加入移动社交网络用户 数量等影响因子进行优化,并结合传播动力学理论构建了移动社交网络谣言传播的参与群体动态演化模型,最后 使用MATLAB等软件实现模型和数值仿真。【结果/结论】实验结果显示：谣言在前期发展阶段的传播速度最快,杀 伤力也最大;移动社交网络环境对谣言传播有促进作用;网络容量越大,谣言传播的范围越大;本文模型通过仿真 验算,证明可以用于对移动社交网络环境下的谣言传播进行仿真。     

一种融合LDA与CNN的社交媒体中热点舆情识别方法

【目的/意义】热点舆情识别对社交媒体监管有重要意义,已有方法大多基于语义分析和社会网络分析技 术,忽略了信息传播中隐含的动态时序信息。【方法/过程】本文利用卷积神经网络,提取热点舆情在社交网络中的 多层次传播特征;然后与主题分析模型相结合,设计了热点舆情识别方法。本方法利用了舆情热度与其传播过程 间的潜在关联,摆脱了对语义信息和社会网络信息的过度依赖,适用于历史数据匮乏或缺失的识别场景。【结果/结 论】实验表明,本方法显著提升了热点舆情的识别精确度,具有一定适应性和可扩展性。     

基于本体和Word2Vec的文本知识片段语义标引

【目的/意义】如何识别文本中的知识片段进行标引,使检索系统能检索文本知识内容是提高用户信息利 用效率的关键。【方法/过程】在文献调查的基础上,文章基于本体概念模型和Word2Vec词向量模型阐述了文本片 段语义标引的流程框架,并对本体语义扩展、神经网络模型训练、文本片段标引、文本片段权重获取四个部分的关 键环节及技术做了详细说明。最后通过实验验证了该流程框架。【结果/结论】实验结果显示该方法在文本知识片 段识别上是有效的,知识识别的准确率达到80%,能够实现对文本知识内容进行标引。该方法为自动化实现基于知 识的文本信息组织提供了有益的参考。     

基于多采样双向编码表示的网络舆情主题识别研究

【目的/意义】舆情主题识别一直是舆情领域的研究热点,如今已有丰富的研究成果。现有研究对舆情信息 进行表征时多采用了传统的词袋模型、主题模型或词向量模型,只能对词语进行唯一的向量表征且传统模型需对 文本分词,可能会因分词错误、数据稀疏、出现集外词等情况影响识别效果。【方法/过程】本文构建了一种基于多采 样双向编码表示的网络舆情主题识别模型,在训练前无需对文本进行分词,针对文本过长的情况采用头尾结合的 方式进行截断,从字、段、位置三个维度提取特征嵌入,通过自注意力机制进行舆情表征,在训练过程中使用区分性 微调和多采样dropout的方法增强泛化能力,提升识别效果。【结果/结论】实验结果表明构建模型在舆情主题分类任 务中表现良好,可以在不对文本分词的情况下实现对舆情主题的准确识别。【创新/局限】创新之处在于构建了一种 新型的网络主题识别模型,局限之处在于算法复杂,如何进一步调参优化是接下来的研究重点。     

融合词向量语义增强和DTM模型的公共政策文本时序建模与演化分析——以“大数据领域”为例

【目的/意义】探测特定领域政策文本语义主题,揭示我国政策部署领域与未来发展趋势。【方法/过程】提出 一种融合词向量语义增强和DTM模型的公共政策文本时序建模与可视化方法,采用DTM模型实现政策文本的时 序切割和主题建模,利用深度学习Word2vec算法中Skip-gram词嵌入技术可以对上下文词汇进行有效预测,增强 其语义表达性和政策解释性,以更为准确地揭示我国公共政策的部署重点。【结果/结论】实验表明本文提出的方法 对于公共政策主题识别和政策文本量化具有更好的知识抽取和语义表达能力,对我国公共政策挖掘和信息揭示具 有良好的揭示。【创新/局限】提出融合词向量语义增强和DTM模型的公共政策文本时序建模方法,一定程度上提 升了政策文本的主题语义表达,未来考虑利用深度学习技术如LSTM算法、BERT模型等识别政策中的领域知识单 元和语法结构。     

网络谣言特征分析与预测模型设计：基于用户信任视角

【目的/意义】本文旨在分析用户信任对网络谣言生成与传播的影响。研究结论有助于从用户视角出发更 好地治理网络谣言,为当前网络谣言问题研究提供新的思路。【方法/过程】本文通过对心理学、新闻传播学、图书情 报学以及计算机科学相关文献的梳理,指出了基于用户信任视角去探讨网络谣言的特征与预测的理论基础以及技 术可行性。研究从用户信任视角分析了网络谣言的特征,设计了网络谣言预测模型,并提出了网络谣言预测模型 应用的建议。【结果/结论】研究发现,用户信任是影响网络谣言生成、传播、识别与治理的关键因素,用户信任视角 的引入,能从网络谣言生成与传播阶段对其进行预测与有效治理。     

ParallelGAT:网络谣言检测方法

[研究目的]社交媒体平台在促进多元信息交互的同时,也助推了谣言的快速传播。如何准确、及时地发现谣言,已成为多领域学者共同关注的热点问题。最新的谣言检测研究表明,基于谣言传播结构的方法能够捕捉丰富的谣言传播特征,提升谣言检测准确率,而基于外部证据推理的方法可以在传播数据不充分的情况下判别谣言真假,提高谣言检测的时效性。[研究方法]为实现谣言检测准确率和时效性的同步提升,本研究结合这两种方法的优势,提出了基于并行图注意力网络的谣言检测方法ParallelGAT。ParallelGAT由两个图注意力网络模型BiGAT和MlGAT并行构成。其中,BiGAT模型通过引入注意力机制以捕捉重要的谣言传播和散布特征;MlGAT模型通过在外部知识中增加多头注意力机制以获取关键的外部句子级证据知识和词语级证据知识;BiGAT和MlGAT的输出特征向量最终通过聚合模块生成谣言检测标签。[研究结论]在公开数据集上的实验结果显示,该文提出的模型优于现有的方法。     

结合微博内外多粒度语义的 BiLSTM-CNN-ECA谣言检测模型

[目的/意义]为了解决因微博文本多义性和复杂性导致的谣言检测中语义特征提取不全面的问题,提出了一种结合微博内外多粒度语义的BiLSTM-CNN-ECA模型。[方法/过程]首先,对微博文本从字词句三个粒度级别建模,运用双向长短期记忆网络提取微博内部语义特征,生成事件字向量矩阵和事件词向量矩阵;然后,拼接事件句向量矩阵形成三维文本特征矩阵,输入多尺度卷积神经网络,并行提取微博之间的依赖关系特征;最后,引入高效通道注意力模块赋予通道权重,进行微博谣言检测。[结果/结论]构建的三维文本特征矩阵有机结合了各粒度文本的语义特征贡献,包含更多、更全面的微博语义信息;ECA可有效捕获通道间重要信息,进一步提高了多尺度CNN模型对谣言检测的准确率。     

基于药物扩散原理的网络谣言CFDR传播模型研究

【目的/意义】建立新的网络谣言传播模型,为网络谣言的应对及治理提供有益的参考。【方法/过程】针对网 络谣言的传播特点,借鉴药物动力学中的药物扩散原理,建立了网络谣言的CFDR传播模型,给出了相应的数学方 程式;进一步探讨了权威媒体干预因素和时滞性影响,对模型进行了优化,修正了谣言传播的峰值预测和总人数 值;利用matlab、python等工具进行对参数的敏感性进行了分析;最后,以“成都49中”事件为实例验证了模型的有效 性,并分析了相关影响因素。【结果/结论】结果表明：利用CFDR模型可以较好地拟合网络谣言传播的全过程,模型 的各参数对网络谣言的传播都有影响,其中,权威媒体的正向干预在网络谣言的传播过程中发挥着重要作用。【创 新/局限】创新性主要体现在：突破以往基于传染病动力学模型研究网络舆情和谣言传播的固有模式,借鉴药物扩 散原理建立了网络谣言 CFDR传播模型,并考虑了权威媒体干预因素和时滞性影响。局限性主要表现为：实例验 证中只使用了一个事件中一个平台的实际数据,未来可进一步丰富。     

一种基于线性阈值的网络谣言离散传播模型

【目的/意义】网络谣言的传播研究，对监管部门及时准确地应对网络谣言事件、维护网络环境安全与稳定 均具有重要意义。【方法/过程】针对网络谣言的特点，综合考虑了谣言的时效性、网络用户的追随性等特征，在线性 阈值模型的基础上，定义了谣言传播过程中网络用户的进入阈值与退出阈值，采用离散数学的形式对谣言传播过 程进行描述，提出了一种基于线性阈值的社交网络谣言离散传播模型；并在具有无标度属性的社交网络中进行仿 真实验。【结果/结论】将该离散模型的实验结果与经典的传播模型进行对比，并且通过仿真实验分析了主要影响因 素对谣言传播过程的影响。结果表明该离散模型能更好地反映社交网络中谣言的传播规律。本研究为社交网络 中谣言传播的分析提供了新视角，并为网络谣言监测与控制提供理论支撑与决策依据。     

基于主路径分析的关键节点识别与谣言扩散抑制研究

【目的/意义】鉴于谣言扩散对社会和经济带来的巨大负面影响，本文研究如何通过截断网络中的关键节点 来抑制谣言的扩散。【方法/过程】本文通过引入知识扩散中的主路径分析方法，确定对谣言扩散起到重要作用的关 键节点，即信息扩散主路径上的节点。然后，通过对节点可获得的属性和特征进行数据获取或计算，确定与主路径 上节点最为相关的属性。并且，通过信息扩散的路径重建，计算这些节点对信息扩散的影响。【结果/结论】通过分 析计算，我们确定了节点的中心性指标—中介中心性指标值和点度中心性在节点识别和分类中的相关性，并确定 了对信息扩散影响最大的节点划分标准。     

政务微博辟谣信息传播效果的影响因素研究

【目的/意义】探究政务微博辟谣信息传播效果的影响因素,为政府引导网络舆情、治理网络危机提供参考 与依据。【方法/过程】运用八爪鱼软件采集影响力靠前的十大新浪政务微博数据,以转发数和评论数为辟谣信息传 播效果的衡量指标,构建辟谣信息内容特征、文本特征对传播效果的回归模型。【结果/结论】结果表明：谣言类型、 辟谣方式、是否为原创、图片数量、是否有@符号对转发数有显著影响;谣言类型、情感程度、辟谣方式、是否为原创、 内容长度对评论数有显著影响。     

社会热点事件网络舆情与谣言的耦合机制研究——基于近4年数据的案例分析

【目的/意义】互联网背景下社会热点事件层出不穷,因网络高关注度极易引发舆情与谣言危机,舆情与谣 言演变时关系紧密,通过分析舆情与谣言耦合机制,为社会热点事件网络治理提供指导。【方法/过程】选取近4年28 个社会热点事件,筛选其中表现突出的耦合样本,可视化呈现了社会热点事件网络舆情与谣言的耦合模型,进而利 用场域理论中行动者、资本与惯习的内、外循环机理揭示网络舆情与谣言的耦合机制。【结果/结论】揭示了社会热 点事件网络舆情与谣言的一致演变耦合模型、超前分歧耦合模型和滞后分歧耦合模型,并深入分析了三类耦合模 型中不同的耦合机制,包括两场域互振共变机制、谣言场抑制与舆情场反攻机制,以及舆情场主导与谣言场破茧机 制。对于社会热点事件网络舆情与谣言的科学判定及精准施策具有重要意义。【创新/局限】结合多元研究方法揭 示舆情与谣言间的双向互动关系,在舆情与谣言耦合演变影响因素的理论研究仍需加强。     

基于博弈论视角的短视频用户信息传播模型及实证研究——以“钟薛高烧不化事件”为例

[目的/意义]探究短视频用户的信息传播过程及演化规律有助于相关部门科学认知舆情发展态势，提高舆情危机处理能力。[方法/过程]在传统SEIR模型基础上，考虑网民的观点交互，将传播者分为谣言传播者和信息澄清者。基于此，构建SICR模型，并利用Python爬取抖音平台上关于“钟薛高烧不化”事件的短视频评论进行数据处理和仿真实验，验证模型的适用性。[结果/结论]信息澄清者在舆情爆发期增加发声渠道、占领舆论高地，采取处罚措施严惩谣言传播者，有利于引导事件转为正面讨论，促使真实信息被大众知晓，平息舆论。     

基于SIRT的网络谣言传播演化模型的研究

本文在传统的SIR模型的基础上加入真实信息传播者,构建了SIRT谣言传播模型,运用Matlab对模型进行仿真。模型考虑了网民对信息的辨识能力、风险认知水平、媒体发布信息透明度、媒体公信力、记忆效应等因素对谣言传播过程的影响,从网民、信息本身和外部作用力3个方面定量的分析谣言传播规律,谣言模型传播演化仿真的结果表明,网民的辨识能力、风险认知水平、媒体发布信息透明度以及媒体公信力等因素都会对谣言传播演化过程产生影响,并提出了谣言应对的建议。     

新媒体环境下高校负面网络舆情传播特征和路径研究

【目的/意义】高校网络舆情是高校人员通过互联网表达个人思想、诉求个人利益所表现的网络行为,是网 络舆情在高校的延申和体现。然而,网络上的不良信息包括网络暴力、网络过度娱乐、网络谣言等可能对高校师生 产生负面影响,影响社会稳定。【方法/过程】以微博数据为数据源,使用网络爬虫采集以网络谣言、网络暴力等及大 学生为关键词的微博转发和评论内容作为实验样本,通过文本挖掘分析高校负面网络舆情传播特征和路径,并提 出引导建议。【结果/结论】网民在讨论高校负面网络舆情信息传播过程中,较关注这些负面信息对线下生活的影 响;核心传播网民的平均中心度最高,其次是核心传播媒体,核心传播机构的中心度最低;新媒体环境下高校负面 网络舆情传播呈突发裂变式,信息传播状态不稳定,波动性较大。