社交媒体上的谣言检测:数据集,方法和机遇
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。
Apr, 2017
本研究提出了一个基于图像特征和集成学习算法的 MONITOR 框架,用于在社交网络中评估信息真实性,并在两个真实数据集上进行广泛实验,结果显示 MONITOR 优于现有的机器学习基线,并且集成模型显着提高了 MONITOR 的性能。
Jan, 2023
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
该论文通过对内容和上下文基于模型在检测新的未知谣言方面的性能差距的深入评估,发现基于上下文的模型过于依赖来自谣言源帖的信息,忽视了上下文信息的重要作用。基于实验结果,该论文还提出了关于如何在训练谣言检测方法时最小化静态数据集中时间概念漂移影响的实用建议。
Sep, 2023
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
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
在社交媒体上,广泛传播的谣言对人们的日常生活产生了负面影响,导致公众潜在的恐慌、恐惧和心理健康问题。本文提出了一种新的检测模型,通过联合学习用户相关性和信息传播的表示来检测社交媒体上的谣言。评估结果表明,该模型在已有的谣言检测模型方面表现优秀,并且对抗性攻击更具鲁棒性。
Mar, 2024
该研究综述了关于社交网络上的假新闻的检测、表征和缓解的最新进展,着重于数据驱动的方法和分类特征以及用于训练分类方法的数据集,并强调了解决假新闻最有前途的新兴方法。
Feb, 2019
这篇论文提出了一种名为可信早期检测 (CED) 的新颖的谣言检测模型,它将所有谣言候选人的转发视为一个序列,通过寻找一个早期的时间点进行可信预测,能够显著减少预测时间跨度超过 85%并优于所有现有基线的准确性表现。
Nov, 2018