近年來,隨著社交媒體的興起,謠言所帶來的問題比以往任何時候都更加嚴重。由于謠言涉及經(jīng)濟、健康、政治等公共話題,其真實性、正確性無法被及時驗證或永遠都沒有辦法被驗證。這些謠言帶有未經(jīng)證實甚至是虛假的信息,可能會引起公眾恐慌,進而造成嚴重的經(jīng)濟損失,對社會產(chǎn)生不良影響。面對社交媒體上的海量信息,專業(yè)人士鑒別謠言所需的時間和精力是巨大的,且存在識別滯后,覆蓋不全面等問題。因此研究和設計兼具準確率,覆蓋率以及及時性的謠言自動識別方法具有重要意義,能夠在謠言形成有效規(guī)模前及時辟謠并刪除,降低后續(xù)不良影響,防患謠言于未然。本研究正是基于這樣的出發(fā)點,利用采集到的微信謠言數(shù)據(jù)集,結合分層注意力網(wǎng)絡、深度強化學習、生成對抗學習等方法,設計并實現(xiàn)了混合謠言檢測算法和早期謠言檢測算法。本文主要進行了以下幾方面的工作:(1)采集構建了微信謠言數(shù)據(jù)集,并對其進行預處理與分析。具體來說,首先,通過網(wǎng)絡爬蟲爬取微信公眾號文章,獲取了大量的謠言事件與真實事件的文本和社交上下文信息。其次,為了后續(xù)的分析及建模任務,進行了清洗、分詞、去停詞三項預處理操作。隨后,我們分別從時序性和文本內容角度,分析了謠言與非謠言在分布上...

【文章頁數(shù)】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
    1.3 主要研究內容
    1.4 論文組織結構
第二章 相關技術
    2.1 爬蟲技術
    2.2 分層注意力網(wǎng)絡
        2.2.1 循環(huán)神經(jīng)網(wǎng)絡
        2.2.2 注意力機制
        2.2.3 分層注意力網(wǎng)絡
    2.3 強化學習
    2.4 生成對抗學習
    2.5 本章小結
第三章 微信謠言數(shù)據(jù)采集與分析
    3.1 數(shù)據(jù)采集
    3.2 數(shù)據(jù)預處理
        3.2.1 數(shù)據(jù)清洗
        3.2.2 分詞
        3.2.3 去停詞
    3.3 數(shù)據(jù)集分析
        3.3.1 時序角度
        3.3.2 內容角度
    3.4 本章小結
第四章 基于分層注意力網(wǎng)絡的混合謠言檢測模型
    4.1 任務描述和相關工作
        4.1.1 任務描述
        4.1.2 相關工作
    4.2 基于分層注意力網(wǎng)絡的混合謠言檢測算法設計
        4.2.1 HHAN框架
        4.2.2 分層注意力模塊
        4.2.3 輔助信息提取模塊
        4.2.4 集成模塊
        4.2.5 模型訓練
    4.3 實驗結果與分析
        4.3.1 實驗設置
        4.3.2 基線模型
        4.3.3 模型指標
        4.3.4 實驗結果
    4.4 本章小結
第五章 基于分層注意力網(wǎng)絡的早期謠言檢測模型
    5.1 任務描述和相關工作
        5.1.1 任務描述
        5.1.2 相關工作
    5.2 基于分層注意力網(wǎng)絡的早期謠言檢測研究算法設計
        5.2.1 HAN-ERD框架
        5.2.2 基于HAN的謠言檢測模塊
        5.2.3 檢查點模塊
        5.2.4 聯(lián)合訓練
    5.3 實驗結果與分析
        5.3.1 實驗設置
        5.3.2 基線模型
        5.3.3 模型指標
        5.3.4 實驗結果
    5.4 本章小結
第六章 總結和展望
    6.1 總結
    6.2 展望
參考文獻
致謝
攻讀學位期間取得的研究成果



本文編號：3818634