传播用户代表性特征学习的谣言检测方法

摘要：

谣言的及时发现和有效管控,是互联网+政务服务中公共舆情治理的重要组成部分.互联网和移动互联网的发展,提高了民众沟通交流的便利度,同时也加速了谣言的传播速度和广度,极大地提高了谣言的影响力和危害力,给民众的生产生活带来干扰,也严重影响社会秩序.现有的网络平台辟谣工作大多依赖于人工举报筛查,往往耗费大量的时间和精力.而利用数据挖掘、机器学习技术实现的谣言检测算法大多基于文本信息,常用于追溯性谣言检测,不适用于谣言扩散早期数据量不足的情况.首先收集最新的网络平台数据进行标注构造数据集Weibo2020,对其中用户特征分布进行统计分析并选择具有代表性的用户特征,进而提出了基于传播用户代表性特征学习的早期谣言检测方法(RPPC).经实验验证,RPPC与同样基于传播路径的算法在同等条件下,在输入数据规模减少50％的同时,将准确率提高了2.57个百分点.此外,该方法能对5 min内发布的消息进行检测,快速发现互联网内容中的疑似谣言且准确率达到近80％.因此可以认为提出的方法在现有的数据集中有较好的表现,能够在一定程度上辅助政府部门的舆情治理工作,从而提高政务服务的时效及质量.

关键词：谣言检测、机器学习、特征分析、传播路径、互联网+政务服务、舆情治理

所属期刊栏目：16

分类号：TP181(自动化基础理论)

资助基金：国家重点研发计划;北京高等学校卓越青年科学家项目

在线出版日期：2022-06-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：1334-1342