隨著網絡技術的普及,微博平臺已經成為網民們獲取、交流、傳播信息的重要平臺,高效的信息分發(fā)也為謠言的傳播提供了方便渠道,使謠言具有更強破壞力和負面效果。盡管2013年兩高出臺了相關法律條款,明確了對于謠言傳播者的處罰規(guī)定,但因為社交媒體的傳播特性使得謠言監(jiān)管困難,定罪成本高,謠言仍然呈現高發(fā)趨勢。謠言傳播者是謠言傳播的主體,針對傳播人群差異性及其影響研究對有效治理管控謠言傳播有重要意義。為了研究不同謠言傳播者的差異性,以及不同類型人群的傳播效果,本文基于微博平臺的謠言傳播數據,利用數據挖掘技術,根據謠言置信度對謠言傳播推動者進行分類,分析不同類型的傳播推動者的差異性及其對參與傳播的人群影響情況,主要內容如下:第一,對謠言傳播相關理論做了介紹,分析了謠言傳播的動機與心理相關理論,以及謠言傳播者分類的常見方式,并對比分析了本文用于情感分析的Pytorch與BERT深度學習方法,闡述了選取效果更優(yōu)的BERT方法對謠言文本進行情感分類理由。第二,依據傳播效果對謠言傳播者進行了分類,劃分為普通傳播者與傳播推動者,在此基礎上根據對謠言置信度不同將傳播推動者進一步劃分為信謠傳播推動者、中立傳播推動者、... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數】：77 頁

【學位級別】：碩士

【部分圖文】：

設置關鍵詞+時間段后的微博搜索結果

哈爾濱工業(yè)大學管理學碩士學位論文-21-同時，因為要研究謠言傳播者的特征，傳播者信息需要進入個人主頁進行爬取，再設置爬蟲程序，根據在搜索頁獲取得到的uid構造個人主頁的url，對個人主頁信息進行爬取，獲取得到參與用戶的性別、地域、關注數、微博數、粉絲數、認證類型、注冊時間，再將傳播者信息根據參與事件類型保存至mongoDB數據庫，過濾去除3672條已注銷微博賬號和缺少信息過多的用戶數據，最終得到微博信息共297029條，傳播者信息270330條，需要說明的是，因為按照謠言事件來對用戶進行爬取，傳播者信息中可能存在用戶參與了多個謠言事件而被重復記入，且由于需要統(tǒng)計用戶在不同事件內的參與情況，所以并未進行去重處理。具體數據處理流程如圖3-2所示。圖3-2數據處理流程3.2文本情感分類處理對于謠言傳播效果進行進一步研究，很重要的一部分就是對于情感交互情況的研究，通過對于傳播者發(fā)布微博文本的分析，對情感傾向情況進行分類。本研究為得出效果較優(yōu)的模型結果，分別選擇了Pytorch和BERT兩種模型對數據進行訓練，最后擇優(yōu)進行最終的實驗。Pytorch是一個開源的Python機器學習庫，基于Torch，用于自然語言處理等應用程序。其進行情感分類的流程如圖3-3所示。

哈爾濱工業(yè)大學管理學碩士學位論文-22-圖3-3Pytorch情感分類的流程BERT模型全稱是“BidirectionalEncoderRepresentationsfromTransformers”，是谷歌在2018年發(fā)布的一種新型語言模型，模型的主要創(chuàng)新點在pre-train方法上，即用了MaskedLM和NextSentencePrediction兩種方法分別捕捉詞語和句子級別的representation[98]。在各種機器閱讀理解頂級水平測試中BERT均表現優(yōu)異，被認為是NLP領域近期最重要的進展[99]。本文選擇這兩種模型是因為文本影響因素識別難度較大，故需要泛化性能較好的模型，Pytorch在文本分類時，采用動態(tài)計算圖框架，非常高效，BERT在難識別的文本中表現依然出色，并且兩者都適合大型數據，故可以用來對論文情模型進行訓練。在論文中，對15000條謠言文本進行了三分類的情感標注，隨機抽取1000條進行Kappa檢驗，Kappa=0.849>0.8，驗證了標注準確可信，詳細檢驗如果可見下表3-3。表3-3情感分類Kappa檢驗結果值漸進標準誤差a近似值Tb近似值Sig.一致性度量Kappa.849.01537.633.000有效案例中的N1000在此基礎上，通過Pytorch與BERT分別訓練模型。其具體步驟如下圖3-4所示。

【參考文獻】：
期刊論文
[1]區(qū)域地理要素空間屬性的認知意義與認知策略[J]. 張福彥,袁孝亭.  地理教學. 2020(07)
[2]網絡熱點謠言的傳播特征及動因——基于中國互聯(lián)網聯(lián)合辟謠平臺榜單的分析[J]. 韋守.  新聞世界. 2020(01)
[3]基于受眾畫像的新型耦合社交網絡謠言傳播模型研究[J]. 李鋼,王聿達.  現代情報. 2020(01)
[4]基于BERT模型的輿情分類應用研究[J]. 胡春濤,秦錦康,陳靜梅,張亮.  網絡安全技術與應用. 2019(11)
[5]考慮“從眾效應”的謠言傳播機理及其仿真[J]. 張晨,王冰.  產業(yè)與科技論壇. 2019(10)
[6]Google開源BERT模型源代碼[J]. 本刊訊.  數據分析與知識發(fā)現. 2018(11)
[7]社交網絡用戶認知域特征預測研究綜述[J]. 鄭敬華,郭世澤,高梁,鐘曉峰.  計算機科學. 2018(03)
[8]大數據時代下基于Python的網絡信息爬取技術[J]. 劉順程,岳思穎.  電子技術與軟件工程. 2017(21)
[9]基于SIRT的網絡謠言傳播演化模型的研究[J]. 洪巍,王虎.  現代情報. 2017(06)
[10]社交媒體中的謠言識別研究綜述[J]. 劉雅輝,靳小龍,沈華偉,鮑鵬,程學旗.  計算機學報. 2018(07)

碩士論文
[1]主流媒體微博的政治傳播效果研究[D]. 田高潔.上海交通大學 2019
[2]微博傳播效果的分析與預測[D]. 劉敏.太原理工大學 2016
[3]基于傳播視角的不同類型政務微博傳播效果影響因素研究[D]. 甘家月.北京郵電大學 2015
[4]網絡謠言傳播研究[D]. 左瑋娜.中國社會科學院研究生院 2006



本文編號：3598091