Apr, 2017

社交媒体谣言的检测和解决：一项调查

PDF
TL;DR本文就社交媒体中的谣言进行了调查研究，介绍和讨论了两种流行的谣言类型，并提出了一个由四个部分组成的谣言分类系统，包括谣言检测、谣言追踪、谣言态度分类和谣言真实性分类。最终总结了社交媒体挖掘中谣言检测和解决的研究方向和建议。
social mediarumoursnatural language processingdata miningclassification system
发现论文，激发创造
  • 通过查看言语线索，分析人们在社交媒体上如何定向和传播谣言

    本文的研究对象是社交媒体上流传的谣言，以及它们的真实性。研究者通过采集了 9 个事件中包括 330 条谣言推文在内的数据，并应用机器学习算法进行分析，发现了在谣言存在疑问时，人们更倾向于支持这些未经证实的谣言。研究结果表明需要开发更为高效的机器学习算法来判断谣言的真实性，从而避免虚假信息的散播。

    Nov, 2015

  • Twitter 上的谣言检测和分析

    本文建立了一个自然语言处理系统来预测谣言并探索了谣言和事实的差异，通过 COVID-19 推文分析，结果表明语言结构是区分谣言和事实的更好特征，而谣言推文中包含更多与政治和负面情绪相关的词汇。

    Apr, 2023

  • 社交媒体谣言检测

    本文介绍了 PHEME 项目开发的一种收集和抽样会话线程的方法，以及用于识别谣言的工具，并描述了针对 2014 年弗格森动荡期间收集的线程进行的注释任务，结果表明我们可以有效地收集社交媒体谣言并识别与多个故事相关的谣言。

    Apr, 2015

  • 社交媒体上的谣言检测：数据集，方法和机遇

    本文概述了关于谣言检测领域的最近研究，提供了一个全面的谣言检测数据集列表，并根据他们所利用的信息类型和采取的方法来评估重要的研究，并且也提出了未来研究的几个新方向。

    Nov, 2019

  • 社交媒体中基于突发新闻报道动态的谣言检测学习

    本文介绍了一种基于社交媒体中破解新闻的顺序动态学习的方法来检测谣言的新方法，该方法使用条件随机场作为顺序分类器进行实验，与现有系统和基线相比性能优异。

    Oct, 2016

  • 全能型协同学习：谣言辨别

    本文提出一种多任务学习方法，将谣言检测、跟踪、立场分类等环节相结合，从而改善谣言验证性能，并探究了数据集属性与多任务学习模型输出结果之间的联系。

    Jun, 2018

  • 估计谣言验证模型的预测不确定性

    本文研究如何将模型和数据的不确定性估计融入自然语言处理模型中，用以辨识在线谣言，我们提出了两种基于不确定性的算法，并证明可以优先处理容易出错的实例进行人工事实核查。同时，我们还展示了如何使用不确定性估计来解读谣言传播中的模型表现。

    May, 2020

  • 使用 Fine-Tune Longformer 联合预测谣言态度和真实性

    本文提出了一个用于自动检测谣言立场和真实性的多任务学习框架，通过对社交媒体上的巨量数据进行聚类和分析，解决了传统处理方法效率低下的问题，实验证明该方法在 SemEval 2019 的谣言立场分类和真实性预测都优于之前的方法。

    Jul, 2020

  • 运用高斯过程进行社交媒体谣言立场分类

    本文旨在开发一个自动化、监督的分类器，使用多任务学习来分类疑点话题中每个个体推文中的立场，从而将高争议的流言标记为潜在的虚假信息。我们的分类器基于高斯过程，探究其有效性并对具有不同特征和立场分布变化的两个数据集进行探索性研究。结果表明，我们的方法始终优于其他基线分类器。特别是在估计与给定流言相关的不同类型立场的分布方面，我们的分类器非常有效。这是我们要提出的一种理想特征，用于跟踪流言并向普通 Twitter 用户和专业新闻从业者发出警告。

    Sep, 2016

  • 利用情感信息和对话结构进行 Twitter 谣言分析的立场分类

    本研究探讨了一种基于情感和对话的特点的方法，应用于 SemEval2017 任务 8 - 子任务 A（英文推文中的谣言立场分类），用于预测 Twitter 中新兴谣言的用户立场，以支持、否认、询问或评论原始谣言，并证明了所提出的特征集的有效性。

    Jan, 2019