基于社交媒体的谣言检测模型研究综述

社交媒体已经成为当今社会信息交流高速发展的最主要工具之一,因其具有传播速度快、范围广等优势,为人们了解新闻时事、人际交流、发表言论带来了极大的便利。但同时由于言论自由度高,以及信息发布监管不到位,给谣言的滋生带来了大量的生长空间。谣言即未经证实的虚假信息,不法分子会趁机捏造事实来蛊惑和误导大众,严重的将会造成社会经济受损以及社会秩序动荡。应对社交媒体中的大量信息,需要构建相应的谣言检测模型来甄别谣言信息。因此文章将现有的谣言检测模型研究分为基于文本特征、基于传播结构特征以及基于多模态特征的谣言检测模型,并对这三种谣言检测模型进行介绍和总结。     

社会网络谣言检测综述

当前社会网络已取代传统媒体成为信息交流的重要平台,社会网络中的信息具有传播速度快,范围广,即时性强等优点.然而,由于发布信息时缺乏有效的监管手段,导致社会网络平台同时也成为谣言传播的温床.因此,快速有效地检测出社会网络谣言,对净化网络环境,维护公共安全至关重要.本文首先对谣言定义进行阐述,并描述当前谣言检测的问题及检测过程;其次,介绍不同数据获取方式并分析其利弊,同时对比谣言检测中不同的数据标注方法;第三,根据谣言检测技术的发展对现有的人工、机器学习和深度学习的谣言检测方法进行分析对比;第四,通过实验在相同公开数据集下对当前主流算法进行实证评估;最后,对社会网络谣言检测技术面临的挑战进行归纳并总结全文.     

一种基于深度学习的谣言检测方法

为了更好地学习网络谣言传播过程中的特征变化，提出了一种基于多跳的多模态融合的网络谣言检测方法。该方法采用faster RCNN提取视觉特征，通过GRU提取词特征，通过BERT提取句子特征，在提取词句基本特征后，利用RGCN实现图中不同节点间的信息传递。提取多模态特征后利用多跳注意力机制实现谣言检测。该方法可以较好解决诸如否定、歧义和长距离依赖等复杂问题，可以在更短路径上捕获远程依赖。通过与其它谣言检测方法的对比实验，验证了该方法在谣言检测和早期谣言检测领域应用的有效性。     

社交平台上的谣言检测综述

随着互联网的飞速发展,人们的生活获得了极大的便捷,但同时网络平台也滋生了大量的虚假信息,任由虚假的网络谣言广泛传播会极大地影响人们的生活,甚至影响国家的秩序,因此谣言检测研究具有较高的意义。文章对谣言检测方法的相关文献进行归纳分析,将检测方法按照谣言的特点分成了四类:基于内容的方法、基于用户信息的方法、基于传播的方法、基于外部知识引入的方法。然后介绍了部分公开的谣言检测数据集。最后对全文进行总结并展望了谣言检测的发展方向。     

径向基函数神经网络下的转子系统裂纹故障诊断处理

针对转子系统中出现的裂纹故障,本文利用径向基函数(RBF)神经网络和基于模型转子系统诊断技术在非线性系统动态辨识过程中的优势,提出了全新的转子系统裂纹故障的诊断处理方式,此处理方式使用径向基函数神经网络实现转子系统裂纹故障的诊断处理,在诊断过程中通过已经辨识到的信息对转子系统故障进行快速的检测及分离。通过研究分析,本文中提出的径向基函数神经网络下的转子系统裂纹检测适用于在线检测及定量识别。最后对此方法进行仿真,表示此方式有效。     

基于交互行为的在线社会网络水军检测方法

网络水军对广告、谣言、木马和恶意链接进行传播,不仅干扰用户对在线社会网络的正常访问,还可能引发网络安全、社会稳定等方面的问题。针对网络水军信息传播的特点,提出基于交互行为的信息传播模型。模型根据不同传播主体间的交互定义特征来量化传播行为,使用决策树方法对水军传播的信息进行检测。通过新浪微博的真实数据分析传播模型并验证检测方法,结果表明检测方法能够对微博中水军信息进行有效检测。     

基于知识图谱表示学习的谣言早期检测方法

社交网络谣言是严重危害社会安全的一个重要问题.目前的谣言检测方法基本上都依赖用户评论数据.为了获取可供模型训练的足量评论数据，需要任由谣言在社交平台上传播一段时间，这就扩大了谣言的危害.本文提出了一种基于知识图谱表示学习的谣言检测方法.该方法不依赖用户评论数据.首先基于PN-KG2REC算法得到实体和关系的表示；然后将待检测三元组中的实体和关系表示进行拼接，得到三元组表示；最后对三元组的向量表示进行分类，并根据分类结果判断待检测三元组描述内容的真假性.采用公开数据的实验结果表明，本文提出的谣言检测方法在不依赖用户评论数据的前提下，能够有效地对谣言进行早期检测.     

基于Bert-GNNs异质图注意力网络的早期谣言检测

网络谣言的广泛传播已经造成了很大的社会危害,因此早期谣言检测任务已成为重要的研究热点.现有谣言检测方法主要从文本内容、用户配置和传播结构中挖掘相关特征,但没有同时利用到文本全局语义关系和局部上下文语义关系.为了克服以上局限性,充分利用到谣言数据中的文本全局-局部上下文语义关系、文本语义内容特征和推文传播的结构特征,本文提出了一种基于Bert-GNNs异质图注意力网络的早期谣言检测算法（Bert-GNNs Heterogeneous Graph Attention Network,BGHGAN）.该方法根据历史谣言集和用户特征构建一个推文-词-用户异质图,通过采用预训练语言模型Bert和图卷积神经网络（Graph Convolutional Network,GCN）结合的方法进行特征学习,以挖掘谣言的文本语义特征和文本之间的关系,并将异质图分解为推文-词子图和推文-用户子图,采用图注意力网络（Graph Attention network,GAT）的方式分别进行特征学习,从而更充分利用文本全局-局部上下文语义关系和传播图的全局结构关系以加强特征表达;最后,通过子图级注意力机制将不同模块的...     

混沌背景下基于RBF神经网络的弱信号检测

弱信号检测问题是目标检测中一个重要的研究内容。通常，采用贝叶斯(Bayes)方法来检测目标信号的存在。在本文中利用背景信号为混沌这一先验信息，采用了RBF神经网络对模拟产生的淹没在混沌背景中的暂态信号进行检测，并将该方法与采用BP神经网络时的检测性能进行了比较。仿真实验结果表明，基于RBF神经网络的检测性能优于BP神经网络。     

基于GA改进BP神经网络网络异常检测方法

考虑到常规BP神经网络算法容易陷入局部最优解,所建立的网络遗传流量检测模型检测效率低,准确率不高等问题,提出一种改进型GA优化BP神经网络算法,并使用其建立网络遗传流量检测模型。常规遗传算法在搜索过程中,往往会由于出现影响生产适应度高的个体而对遗传算法搜索过程产生影响的现象发生,因此需要对常规遗传算法进行改进。使用的方法是通过混合编码方式进行改进,同时对交叉算子、变异算子、交叉概率以及变异概率等参数进行优化修正。使用KDD CUP99数据库中的网络异常流量数据进行实验研究,研究结果表明,所提出方法的检测性能要明显优于常规算法,其对BP神经网络的结构、权值以及阈值进行同步优化,避免了盲目选择BP神经网络结构参数带来的问题,避免了常规BP神经网络容易陷入局部最优解的问题。