预测病毒性谣言和脆弱用户的信息传播监测
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
本研究提出基于异质图的元路径捕获方法,结合全局语义关系和社交媒体消息传播结构信息,用于检测社交媒体中的谣言。在真实的 Twitter 数据集上进行的实验证明了该方法的优越性,同时还具有非常早期检测谣言的能力。
Jun, 2020
本研究提出了一种基于图卷积网络的多视图融合框架,用于较好地表示和识别谣言信息,并且在两个公共数据集上实验,结果表明该方法优于现有的技术。
Nov, 2022
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
本文提出一种新的双向图卷积网络模型(Bi-GCN),结合传播和扩散两个重要特征进行谣言检测,该模型利用顶部向下传播和底部向上传播的方式进行训练,并结合源帖信息来提升谣言的影响力。实验结果表明该方法在多个基准测试中优于先前的类似方法。
Jan, 2020
以观察到的级联为基础,通过学习两个低维用户特定向量来预测级联动态,并捕捉他们的影响和易感性,从而更好地模拟依赖于上下文因素的信息传播效果。
Oct, 2013
本文提出了一种基于统一对比转移框架的谣言检测方法,通过语言对齐和领域自适应对比学习机制,训练多尺度图卷积网络,实现在不同语言资源匮乏的情况下检测谣言,实验证明这种方法比其他方法更具优越性。
Apr, 2023
本文提出了一种名为 ViralBERT 的模型,使用基于内容和用户的特征来预测推特的传播性。通过使用两个 BERT 模块来对文本进行语义表示和情感分析,本研究收集 330k 条推特数据对 ViralBERT 进行训练,并证明了其超过了当前领域中的基准方法,通过删减研究证实了文本情感和关注者数量是该模型的强特征。
May, 2022
社交媒体中谣言的传播对社会造成了巨大的伤害,本研究提出一种新的视觉与图神经网络(VGA),通过利用帖子间的传播结构来获取群众观点、发现视觉篡改特征以及隐藏在图像中的文本信息,从而有效地检测多模态谣言。
Jan, 2024