【谣言检测算法研究的国内外文献综述5100字】

[51]等人对新浪微博提出三方面的特征来进行谣言检测，主要应用的是发布者的特征，微博文本特征以及传播特征来进行检测，通过特征的融合，达到判定是否为谣言的目的。研究者们最早在推特平台上使用用户行为特征进行谣言检测，主要应用用户的转发行为特征、评论行为特征等。2015年，新浪微博平台开始使用用户行为特征进行谣言检测，且研究者挖掘了新的用户行为特征，并构建机器学习分类器验证了用户行为特征对微博谣言检测的有效性。基于用户行为特征的谣言检测研究，大多使用机器学习方法，且不将用户行为特征作为最主要的特征。因此本文以用户行为特征为主要特征，并构建深度学习模型进行谣言检测。1.4研究现状总结在以上的谣言检测算法中，虽然机器学习方法应用的早而且可以得到比较高的准确率，深度学习方法可以很好的解决机器学习方法的人工提取特征费时费力，以及训练样本识别能力达到预期目标等问题，但是这些前人的方法，对日益增长的谣言检测的需求而言还存在一些不足，主要表现在以下方面：通常数据中的谣言文本长度有长有短，而现在学者们通常将卷积神经网络用在文本上。卷积神经网络只能抽取局部特征，且抽取的特征不是非常完善，所以不适用于对长文本来进行检测，因为它会遗忘远距离句子前后关系。而循环神经网络虽然可以读取长文本，但随着隐藏层数量的增加，它的准确率就开始下降，同时忽略了对于各种特征的应用。针对以上发现的问题，本文主要做了两个方面的研究，一个是基于用户信息特征及文本内容特征的谣言检测方法，另一个是基于用户行为特征的微博谣言检测方法。提出来的模型可以很好的处理特征，以及读取长文本信息，并且解决了文本依赖问题，同时提升了准确率。参考文献国家网信办举报中心.2020年全国受理网络违法和不良信息举报1.63亿件[EB/OL].2021-01-18.吕叔湘、丁声树．现代汉语词典：商务印书馆,2012.张玉亮,贾传玲.突发事件网络谣言的蔓延机理及治理策略研究[J].情报理论与实践,2018,41(05):95-100.中国互联网络信息中心.第46次《中国互联网络发展状况统计报告》[EB/OL].71257.htm.2020-09-29.QAZVINIANV,ROSENGRENE,RADEVDR,etal.Rumorhasit:identifyingmisinformationinmicroblogs[C]//ProceedingsoftheConferenceonEmpiricalMethodsinNaturalLanguageProcessing.Scotland,UK:AssociationforComputationalLinguistics,2011:1589-1599.CASTILLOC,MENDOZAM,POBLETB.InformationcredibilityonTwitter[C]//Proceedingsofthe20thinternationalconferenceonWorldwideweb.Hyderabad,India:ACM,2011:675-684.H.S.Al-Khalifa,R.M.Al-Eidan.AnexperimentalsystemformeasuringthecredibilityofnewscontentinTwitter[J].InternationalJournalofWebInformationSystems,2011,7(2):130-151.A.Gupta,P.Kumaraguru,etal.Credibilityrankingoftweetsduringhighimpactevents[C].Proceedingsofthe1stWorkshoponPrivacyandSecurityinOnlineSocialMedia,Lyon,France,2012:2-8.MAJing,GAOWei,WEIZhongyu,etal.Detectrumorsusingtimeseriesofsocialcontextinformationonmicrobloggingwebsites[C]//Proceedingsofthe24thACMInternationalonConferenceonInformationandKnowledgeManagement.Melbourne,Australia:ACM,2015:1751-1754.谢柏林,蒋盛益,周咏梅,等．基于把关人行为的微博虚假信息及早检测方法[J].计算机学报,2016,39(4):730-744.LIANGGang,HEWenbo,XUChun,etal.Rumoridentificationinmicrobloggingsystemsbasedonusers’behavior[J].IEEETransactionsonComputationalSocialSystems,2015,2(3):99-108.CaiG,BiM,LiuJ.Anovelrumordetectionmethodbasedonlabeledcascadepropagationtree[C]//201713thInternationalConferenceonNaturalComputation,FuzzySystemsandKnowledgeDiscovery(ICNC-FSKD).2017.DAYANIR,CHHABRAN,KADIANT,etal.RumordetectioninTwitter:ananalysisinretrospect[C]//ANTS2015:Proceedingsofthe2015IEEEInternationalConferenceonAdvancedNetworksandTelecommunicationsSystems.Piscataway,NJ:IEEE,2015:1-3.H.S.Al-Khalifa,R.M.Al-Eidan.AnexperimentalsystemformeasuringthecredibilityofnewscontentinTwitter[J].InternationalJournalofWebInformationSystems,2011,7(2):130-151.A.Gupta,P.Kumaraguru,etal.Credibilityrankingoftweetsduringhighimpactevents[C].Proceedingsofthe1stWorkshoponPrivacyandSecurityinOnlineSocialMedia,Lyon,France,2012,2-8.MABen,LINDazhen,CAODonglin.Contentrepresentationformicroblogrumordetection[M]AdvancesinComputationalIntelligenceSystems.Lancaster,UK:SpringerInternationalPublishing,2017:245-251.Chen,Weiling,Zhang,etal.Unsupervisedrumordetectionbasedonusers'behaviorsusingneuralnetworks[J].PatternRecognitionLetters,2018.RuchanskyN,SeoS,LiuY.CSI:ahybriddeepmodelforfakenewsdetection.In:ProceedingsofACMonConferenceonInformationandKnowledgeManagement,Singapore,2017.797-806.刘政,卫志华,张韧弦.基于卷积神经网络的谣言检测[J].计算机应用,2017,37(11):3053-3056+3100.QuanzhiLi,QiongZhang,LuoSi,2019,RumorDetectionbyExploitingUserCredibilityInformation,AttentionandMulti-taskLearning,ACL2019.廖祥文,黄知,杨定达,程学旗,陈国龙.基于分层注意力网络的社交媒体谣言检测[J].中国科学:信息科学,2018,48(11):1558-1574.DEVLINJ,CHANGMW,LEEK,etal.Bert:Pre-trainingofdeepbidirectionaltransformersforlanguageunderstanding[J].arXivpreprintarXiv:1810.04805,2018.Johnson,Rie,TongZhang.Deeppyramidconvolutionalneuralnetworksfortextcategorization[C]//InProceedingsofthe55thAnnualMeetingoftheAssociationforComputationalLinguistics.2017:562-570.SUNY,WANGSH,LIYK,etal．ERNIE:enhancedrepresentationthroughknowledgeintegration［EB/OL］．(2019-04-19)．https:///abs/1904.09223v1.ALEXW,AMANPＲEETS,JULIANM,etal．GLUE:amulti-tas