【摘要】：隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展,在線社交網(wǎng)絡(luò)成為一種新的信息發(fā)布和共享的服務(wù)平臺,逐漸成為人們?nèi)粘W習、生活中的重要組成部分。由于這些平臺發(fā)布信息的門檻較低,且信息多樣化、表達自由化,使其成為謠言的產(chǎn)生與擴散的絕佳平臺。而惡意的謠言往往具有一定的危害性,容易引發(fā)社會恐慌,這對社會的進步、國家的發(fā)展尤其不利。社交網(wǎng)絡(luò)中,不實信息的泛濫特別是謠言的充斥已近成為日益突出的社會問題。現(xiàn)有的謠言檢測方法主要采用傳統(tǒng)的機器學習方法進行檢測,這些方法都需要大量的數(shù)據(jù)標注。然而,微博文本內(nèi)容短且具有隨意性,這些特性使得大量且有效的標注數(shù)據(jù)非常難以獲取,標注樣本又非常費時費力。再者,人的主觀因素容易導致其對謠言產(chǎn)生誤判。與此同時,微博信息更新迅速,能夠被有效標注的數(shù)據(jù)已經(jīng)不足以訓練得到一個可靠的分類模型。遷移學習是運用已存有的知識來實現(xiàn)對相關(guān)領(lǐng)域問題進行解決的一種機器學習方法。而意見評論檢測的數(shù)據(jù)與方法與微博謠言又具有一定的相似性。隨著遷移學習的出現(xiàn),傳統(tǒng)機器學習中的兩個基本假設(shè)被打破,為解決上述問題提供了可能。目前遷移學習主要應(yīng)用于圖像處理等領(lǐng)域,如何有效實現(xiàn)遷移學習在謠言檢測領(lǐng)域的應(yīng)用,也成為一大難點。針對以上問題,本課題針對Twitter中充斥的謠言進行識別與檢測,采用遷移學習方法,將評論中的知識進行遷移,以此實現(xiàn)目標域(即謠言檢測領(lǐng)域)的有效分類。主要工作內(nèi)容如下:首先,需要對源域與目標域數(shù)據(jù)進行數(shù)據(jù)處理與分析。其次,本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)的深度遷移模型來實現(xiàn)對Twitter中謠言的檢測。具體來說,本文給出了一種學習率自適應(yīng)更新的方法來解決遷移過程中出現(xiàn)的負遷移現(xiàn)象。最后,使用深度學習框架TensorFlow實現(xiàn)了所提模型,在已標注謠言規(guī)模不足的情況下,構(gòu)建了更為準確的謠言檢查機制。經(jīng)過實驗驗證,本文提出的模型在謠言檢測上取得了更為準確的識別結(jié)果,可以作為一種有效的謠言檢測手段應(yīng)用于實際工作。
【圖文】：

第一章 緒 論1.1 研究背景及意義隨著移動互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，在線社交網(wǎng)絡(luò)成為一種新的信息發(fā)布和共享服務(wù)平臺，逐漸成為人們?nèi)粘W習生活中的重要組成部分。一些現(xiàn)有的社交網(wǎng)絡(luò)平臺，如Facebook，Twitter，新浪微博，微信和其他新興社交媒體形式，引發(fā)了一場覆蓋范圍廣泛、影響力極大的媒體革命。這場革命影響著人們生活的生活方式、社交方式、社會的經(jīng)濟發(fā)展乃至國家的政治經(jīng)濟的各個方面。與傳統(tǒng)媒體（如：電視、報紙等）有時間和空間的局限性的媒體不同，，在這些社交平臺中用戶可以隨時隨地通過網(wǎng)絡(luò)或移動客戶端等媒介表達個人觀點與興趣愛好。由于其實時共享信息，傳播速度快，界面友好等特性，成為人們廣泛使用的交換信息工具。

1.2.2 遷移學習研究現(xiàn)狀遷移學習是機器學習的一個重要分支。遷移學習能夠利用存儲在源域內(nèi)的知識，并將其遷移到目標域中，改善目標域的任務(wù)效果[23]。近年來，遷移學習引起了研究者們廣泛的關(guān)注和研究。在現(xiàn)有的研究中，遷移學習主要被應(yīng)用于圖像處理等領(lǐng)域，而在自然語言處理中還是一個嶄新的研究方向。Mou L 等人[24]在其論文中提出，自然語言處理中的遷移學習對語義比對圖像處理更加敏感。遷移學習主要被用于解決給定數(shù)據(jù)集不足以被用來訓練得到一個完整的模型。在這樣的前提條件下，遷移學習可以將在源數(shù)據(jù)集上預訓練得到的模型中累積的知識遷移到目標域中，最終實現(xiàn)目標域分類結(jié)果的提升[25]。傳統(tǒng)的分類任務(wù)與遷移學習是不同的。在傳統(tǒng)任務(wù)中，為了保證最終分類結(jié)果的準確率和可靠性，要求模型所使用的訓練樣本與測試樣本必須獨立同分布，同時訓練數(shù)據(jù)也必須充足，否則無法得到足夠的分類特征。然而，在實際的研究中可以發(fā)現(xiàn)，這些條件通常無法滿足。遷移學習與傳統(tǒng)機器學習之間的區(qū)別如圖 1-2 所示。
【學位授予單位】：內(nèi)蒙古工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP391.1;TP181

【參考文獻】

相關(guān)期刊論文 前2條

1 蔣盛益;陳東沂;龐觀松;吳美玲;王連喜;;微博信息可信度分析研究綜述[J];圖書情報工作;2013年12期

2 邱少明;;如何科學引領(lǐng)網(wǎng)絡(luò)輿情[J];新重慶;2012年07期

本文編號：2709434