大數(shù)據(jù)時代,海量的信息在社交媒體上廣泛傳播,其中虛假信息泛濫。以往的研究主要集中在謠言信息的檢測和傳播等,但是隨著社交媒體的規(guī)模和數(shù)量的迅猛發(fā)展,社交媒體上的數(shù)據(jù)成指數(shù)增長。面對信息內(nèi)容的復雜多樣和數(shù)量的高速增長,針對單條信息的檢測有時難以解決源頭問題。而快速高效地發(fā)現(xiàn)的謠言信息源成為解決該問題的一種有效手段。在本文的研究中,主要應用網(wǎng)絡表示學習的方法協(xié)助我們解決社交媒體謠言信息源的發(fā)現(xiàn)問題。首先提出了一個多層的屬性網(wǎng)絡的表示學習方法,用來解決單一平臺上謠言信息源的發(fā)現(xiàn)問題,該方法考慮到了信息源的網(wǎng)絡拓撲結(jié)構(gòu)和文本信息,能夠?qū)W習到具有更豐富信息的表示向量。然后針對跨平臺的謠言信息源發(fā)現(xiàn)問題,提出了一個基于注意機制的表示學習方法,該方法可以利用不同平臺相似信息的協(xié)同作用,有效地提高跨平臺謠言源發(fā)現(xiàn)的效果。最后我們針對相似謠言源發(fā)現(xiàn)任務提出一個有效框架,可以根據(jù)不同的任務選擇相應的表示學習方法,然后將學習到的表示向量輸入到合適的判別模型中,用于相似謠言源的發(fā)現(xiàn)。真實數(shù)據(jù)集上的實驗驗證了方法的有效性,具有重要的應用價值。

【文章頁數(shù)】：67 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景和意義
        1.1.1 謠言檢測背景和意義
        1.1.2 網(wǎng)絡表示學習的背景
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 謠言及謠言源檢測
        1.2.2 網(wǎng)絡表示學習
    1.3 研究目標及內(nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 基于多層屬性網(wǎng)絡表示學習方法的謠言信息源發(fā)現(xiàn)
    2.1 準備知識
        2.1.1 網(wǎng)絡表示學習基礎(chǔ)
        2.1.2 基于元路徑的網(wǎng)絡節(jié)點相似性計算
        2.1.3 基于Sentence2Vec文本相似性計算
    2.2 高質(zhì)量謠言信息源發(fā)現(xiàn)的問題定義
    2.3 多層的屬性網(wǎng)絡表示學習
        2.3.1 網(wǎng)絡拓撲結(jié)構(gòu)
        2.3.2 網(wǎng)絡節(jié)點屬性信息
        2.3.3 綜合模型
    2.4 實驗介紹
        2.4.1 數(shù)據(jù)介紹
        2.4.2 對比算法
        2.4.3 評價指標
        2.4.4 實驗結(jié)果
    2.5 本章總結(jié)
第三章 基于注意力機制表示學習方法的謠言信息源發(fā)現(xiàn)
    3.1 準備知識
        3.1.1 注意力模型介紹
        3.1.2 半監(jiān)督學習
    3.2 問題陳述
    3.3 模型介紹
    3.4 實驗介紹
        3.4.1 實驗準備
        3.4.2 對比算法
        3.4.3 實驗結(jié)果
    3.5 本章總結(jié)
第四章 相似謠言信息源發(fā)現(xiàn)框架
    4.1 準備知識
        4.1.1 KNN算法
        4.1.2 不平衡學習的方法
    4.2 相似信息源發(fā)現(xiàn)
        4.2.1 問題陳述
        4.2.2 解決方案
    4.3 實驗準備
        4.3.1 實驗設置
        4.3.2 對比算法
        4.3.3 評價指標
    4.4 實驗結(jié)果
        4.4.1 單平臺相似信息源發(fā)現(xiàn)結(jié)果
        4.4.2 跨平臺相似信息源發(fā)現(xiàn)結(jié)果
    4.5 本章總結(jié)
第五章 總結(jié)與展望
    5.1 本文總結(jié)
    5.2 后續(xù)研究展望
參考文獻
致謝
攻讀學位期間發(fā)表的學術(shù)論文目錄



本文編號：3813950