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。     

基于深度学习框架下的多模态情报智能挖掘研究

【目的/意义】本文基于深度学习的理论框架,以突发事件中多模态危机情报智能采集加工生成应对策略的 过程作为研究对象,构建出第三视角视频采集模型,并按照“数据→信息→知识→情报”的递进顺序建立危机情报 多层次多阶段智能化模型。【方法/过程】提供不同层次多模态情报挖掘智能方法,使其达到对突发事件中多模态危 机数据智能采集后,通过智能挖掘分析把危机信息加工成危机知识并利用其智能生成突发事件分阶段应对策略, 从而最终构建多模态危机情报智能管理体系。【结果/结论】本文的研究架构和情报智能挖掘,可为突发事件应急决 策提供科学、客观的实践参考和理论指导。     

融媒体信息定价模型演化研究

【目的/意义】数字经济时代,信息价值属性是知识产权保护的重要内容,信息如何定价、如何合理定价伴随着大数据时代的到来而愈发突出,成为融媒体产业发展道路上的堵点问题。【方法/过程】基于国内外学者研究成果的梳理,分析了各个节点媒体信息的定价模型,从传统静态定价的成本法、收益法、市场法,到衍生出来的AHP法、顾客感知价值法、信息质量定价法,再到动态的多情境协议定价法,分析各种定价模型的优缺点;同时,通过分析大数据时代融媒体信息定价依据,设计出更加合理的融媒体信息定价模型。【结果/结论】以模型演化的角度分析了媒体信息定价方法的发展脉络,提出了大数据时代融媒体信息定价模型及利益分配机制,为融媒体信息定价提出了参考的有效方案。【创新/局限】整合了融媒体信息定价的演化过程,分析了各个阶段的不足和需求,揭示了大数据时代定价所需考虑的问题,但在具体方法上需要进一步研究。     

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。     

面向融媒体建设的公共文化资源服务研究

【目的/意义】为提升融媒体建设下公共文化资源服务效率,创新服务机制,优化服务策略。【方法/过程】本 文在分析了公共文化资源服务发展现状的基础上,对湖南省公共文化服务的发展进行了实证分析。综合考虑了数 据汇聚与存储、数据审核与上传、用户授权及管理、推送内容和服务信息等内容,构建了融媒体建设下的公共文化 资源服务平台。该平台从博物馆、图书馆等实体公共文化场所采集文化服务资源,通过数据层处理在应用层形成 线上公共文化资源服务,经传输层传递到终端层将线上公共文化资源服务内容向广大人民群众展示。【结果/结论】 多种媒体融合的融媒体建设形式在促进公共文化资源服务中发挥重要作用。【创新/局限】但本文并未考虑公共文 化与人民群众的交互及信息反馈机制,因此在日后研究中需利用新的信息技术手段和信息传播方式进一步拓展公 共文化服务空间。     

基于社交媒体基因图谱的信息服务推荐研究

【目的/意义】“信息过载”问题不利于用户快速准确获取目标信息,本文提出构建社交媒体基因图谱并应 用于信息推荐领域,为用户信息推荐提供新思路。【目的/意义】本文将社交媒体分解为社交媒体用户和社交信息内 容两大主体部分,借助生物学基因图谱概念,建立两大主体基因群并分别进行基因提取,构建社交媒体基因图谱, 并通过社交媒体基因图谱唯一辨识用户实体偏好进行信息推荐。【结果/结论】构建基于社交媒体基因图谱的信息 推荐模型,考虑用户内部及信息环境对基因图谱的影响,进行模型优化,为用户提供更加精准的信息推荐内容。【创 新/局限】基因的变异无法准确预估和控制,需要进一步研究引起基因变异的因素及变异方向,通过基因的可复制 性更加高效准确地对个人用户社交媒体基因图谱进行构建,进而实现其在信息推荐领域的应用。     

面向网络虚假医疗信息的识别模型构建研究 —— 一种基于预训练的BERT模型

【 目的/意义】解决获取虚假网络医疗信息数据集时专业知识不足的问题,帮助在小样本领域构建虚假网络 医疗信息识别模型。【方法/过程】本文提出一种基于权威辟谣信息转化提取构建网络虚假医疗信息数据集的思路, 并依次构建传统机器学习模型、CNN模型和BERT模型进行分类识别。【结果/结论】结果表明,基于辟谣信息能够 实现以较低成本、不依赖专家标注构建虚假医疗信息数据集。通过对比实验发现,基于微博数据预训练的 BERT 模型准确率为 95.91%,F1值为 94.57%,相比于传统机器学习模型和 CNN模型提升分别接近 6%和 4%,表明本文构 建的基于预训练的BERT模型在网络虚假医疗信息识别任务上取得了更好的效果。【创新/局限】本文提出的方法能 以较低成本建立专业领域的虚假信息数据集,所构建的BERT虚假医疗信息识别模型在小样本领域也具有实用价 值,但在数据集规模、深度学习模型对比、模型性能评价指标等方面还有待拓展与延伸。     

基于ELM理论的社会化媒体信息转发研究

【目的/意义】信息转发是社会化媒体信息散播的重要基础,而用户对信息的转发是对接收信息的加工处理 过程。【方法/过程】本文基于信息加工的精细加工可能性模型（ELM）对用户在社会化媒体上的信息转发进行研究, 构建了社会化媒体信息转发的理论模型。通过问卷调查,收集了326份有效数据验证了模型。【结果/结论】结果指 出信息内容的有用性和有趣性通过中央路径影响转发,而信息传播者的可信度通过周边路径影响转发。     

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。     

社会化媒体信息生态系统的优化分析

【目的/意义】近年来,社会化媒体信息生态系统存在严重的信息污染、信息过载、信息冗余等问题,优化社 会化媒体信息生态系统能够更好地满足用户多样化的信息需求。【方法/过程】在信息生态系统理论的指导下,根据 社会化媒体信息生态系统构成因子及具体因素之间的相互作用构建社会化媒体信息生态的系统动力学模型,采用 Vensim PLE 软件进行仿真分析。【结果/结论】通过仿真结果发现：提高社会化媒体平台重视度、政府重视度以及信 息文化宣传度能够优化社会化媒体信息生态系统。     

基于BERT-BiLSTM模型的舆情监测方法及实证研究——以研究生招生考试为例

【目的/意义】教育招生考试备受社会各界关注,极易触发舆情事件。及时监测并准确研判相关网络信息传 播发展态势,发现潜在舆情并处置应对,对于保障考试安全和维护学校声誉具有重要意义。【方法/过程】采集研究 生复试期间主流媒体社交平台数据,将BERT语言训练模型同BiLSTM相结合,构建深度神经网络模型,对文本的 情感极性进行分析。用TextRank算法提取不同情感极性类属文本的热门主题词,监测潜在舆情并提出管理建议。 【结果/结论】实证结果表明,该模型能够有效挖掘不同情感极性下的热门主题信息,从而发现潜在隐患以及可能发 生的舆情焦点,为高校网络舆情管控提供了方法参考和实践依据。【创新/局限】与传统方法相比,基于BERT的预训 练语言模型可有效解决因数据量少而导致模型无法准确表示不同语句之间复杂关系的局限性,同时BERT可对文 本进行双向建模,捕获不同句子之间的关系特点,提升对文本情感主题挖掘的准确性。     

共词分析与LDA 模型分析在文本主题挖掘中的比较研究

【目的/意义】大数据时代文本主题挖掘在情报分析领域中的作用日趋重要,通过特征比较共词分析和 LDA模型分析两种主流文本主题挖掘方法,研究两者的具体特点,为相关人员合理地运用文本主题挖掘方法处理 数据提供一定的参考。【方法/过程】本文分两种情况对比研究：第一、两者挖掘不同时段同一种类文本数据的主题 分布信息和主题演化信息的能力;第二、两者挖掘同一时段不同种类文本数据的提取正确主题的能力。【结果/结 论】在不同时段LDA模型分析与共词分析相比挖掘主题分布信息的能力可不断提升,并且其可挖掘出更加细化的 主题演化信息;在同一时段LDA模型分析对语义关系模糊逻辑结构粗糙的文本提取正确主题的效果明显优于共词 分析。     

基于大数据与LDA融合的微博信息推荐方法研究

【目的/意义】由于信息总量的巨大和用户矩阵的稀疏,LDA模型在微博信息推荐过程中短文本处理能力 差的缺点被放大。【方法/过程】本文利用大数据技术处理海量信息的优势,探讨大数据与 LDA主题模型融合的可行 性,构建出了大数据技术与 LDA融合的推荐模型,实现在利用大数据技术对海量文本预处理的基础上基于 LDA模 型的微博信息推荐,解决微博信息推荐查全率和查准率差的问题。【结果/结论】通过 Hadoop平台上的实证分析表 明,融合模型可有效的降低混淆度和提升微博信息推荐精度,有利于实现信息的个性化和定制化推荐。     

基于LDA模型的在线教学需求数据主题挖掘研究

【目的/意义】为了进一步提升学生评教信息的使用价值,构建在线教学用户需求指标体系,对在线教学需 求数据进行主题挖掘。【方法/过程】运用数据挖掘理论和LDA主题识别模型,从丰富的在线教学评价内容中挖掘潜 在的在线教学主题,针对教学主题特征向用户需求进行结构映射,最终形成在线教学需求指标体系。【结果/结论】 分析在线教学数据,从教师需求、课程需求、教学成果需求三方面构建在线教学用户需求指标体系,并提出针对性 的教学质量优化策略。【创新/局限】本文通过在线教学需求数据主题挖掘,为高校在线教学评教指标体系的构建与 完善提供了新的途径和方法,但样本数据仅为单一高校数据,未实现全覆盖,对领域研究的整体态势分析还存在一 定的不足。     

自媒体“小世界”中的政府惠农信息传播效能优化研究

【目的/意义】探寻政府惠农信息在自媒体“小世界”中的传播特征,提升其传播效能,为乡村振兴战略实施提供信息保障。【方法/过程】运用Gephi软件形成惠农信息传播关键词聚类分析,利用spearman相关系数对向乡村村民、自由职业者和基层干部发放的问卷进行变量和样本间的相关性分析。【结果/结论】发现惠农信息在“小世界”中的自惠性、自为性和自助性传播特征,进而从主体行为引导,客体内容建构和平台运行规制等方面对惠农信息传播效能进行优化。【创新/局限】构建了主体行为“同心圆”优化模型,客体“全信息链”优化模型和平台规制“漏斗”优化模型。     

基于多模态与跨文化的信息素养培养路径研究

【目的/意义】在全球化信息时代,培养大学生的信息素养既是提升个人素养的需要也是国家发展战略的要 求。【方法/过程】科技的飞速发展使得信息素养的内涵呈现“多模态”转向与“跨文化”转向。本文首先分析了“互联 网+”语境下,在大学生信息素养培养方面传统教育范式的弊端以及微课平台的优势,进而指出微课平台是以多模 态交际为主,具有完整的多模态信息课程体系,并形成了多元文化关联场,具有极强的可操作性和实用性。【结果/ 结论】微课平台是提高大学生多模态交际能力以及增补传统通识教育的最佳路径。为更好地发挥其优势,微课平 台运营方、教育组织及高校教师需要共同努力。     

基于多模数据的微博用户兴趣识别研究

【目的/意义】通过社交媒体用户分享的图像、博文及用户标签进行数据挖掘,来判断和预测用户的真实兴 趣,从而更好地为用户做个性化推荐和精准化服务。【方法/过程】在获取微博用户分享的图像、博文及用户标签的 基础上,通过使用机器学习的方法利用图像、博文及用户标签数据来表达用户兴趣特征,基于三类特征使用SVM训 练得到分类器进行用户兴趣类别预测,主要比较单模数据和多模数据的分类指标,探讨多模数据在有监督学习下 的发多分类问题。【结果/结论】实验结果表明,利用图像、博文和用户标签合成的多模数据对用户兴趣进行分类识 别,F值达到77%,比最好的单模数据提升10%。实验结论证实,多模（图像、博文和标签）数据与单模数据相比,提升 了分类效果,同时为多模数据应用研究提供了一定的理论和技术基础。     

网络招聘信息生态系统模型构建及其运行机制研究 ——基于机制设计理论的阐释

【目的/意义】网络招聘已经成为主流的招聘渠道之一,网络招聘信息生态系统模型的构建,能够有效解决 网络招聘现行运行模式存在的诸多问题。【方法/过程】基于机制设计理论和信息生态学理论,构建网络招聘信息生 态系统模型,是一个全新的研究视角。【结果/结论】研究表明,网络招聘信息生态系统的理论层模型能够为应用层 模型的建立提供理论支持,在此基础上,设计了网络招聘信息生态系统的应用层模型和运行机制,并从精准推送服 务、建立信用体系和人才深度服务等方面提出网络招聘信息生态系统模型的应用建议。     

微博用户信息个性化推荐主题模型LDA演化分析研究

【目的/意义】随着LDA模型成为微博信息推荐的主要工具,众多的LDA演化模型的使用问题成为研究者 亟待解决地问题。【方法/过程】首先,从演化发展角度对LDA模型运行机理进行了解析,揭示了模型使用的先决条 件和算法内涵;其次,从不同需求的视角揭示了RB-LDA、RT-LDA、C-LDA、MB-LDA等扩展模型对LDA模型的 功能性补充;最后,提出LDA模型的技术演化方向。【结果/结论】结果表明可利用微型本体来提升语义性、利用多种 模型融合来提升精度、利用大数据来提升数据质量是LDA模型未来的演化方向,可使LDA模型信息推荐能力的更 具个性化和精准化。