- 一种新颖的图神经网络方法用于谣言检测
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 - 预测病毒性谣言和脆弱用户的信息传播监测
在信息泛滥的时代,我们提出了一种新颖的方法来预测病毒谣言和易受攻击的用户,该方法利用了图神经网络模型、多任务训练策略和数据集构建,实现了在谣言检测、病毒性预测和用户脆弱性评分等任务上的卓越性能提升。
- VGA:用于谣言检测的视觉与图像融合注意力网络
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。
- 通过双通道结构仅通过文本信息检测谣言的真实性
我们提出了一个双通道结构来通过 lie detection algorithm 和 agreement detection algorithm 对谣言进行分类,通过 SemEval 2019 Task 7 数据集的测试,我们的模型得分(ma - 基于分层强化学习的未知网络传播控制方法
本文提出了一种层次式强化学习方法,通过在未知的网络结构下移除节点,有效控制危险事件的传播。模拟实验证明了我们的方法相比基准方法的优越性,尽管我们的方法对网络结构没有先验信息,而基准方法具有丰富的网络结构知识。
- 基于多模态融合框架和集成学习的谣言分类
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。
- AAAI基于传播结构的零样本谣言检测:通过提示学习
本文提出了一种基于远程学习的零样本学习框架,用于检测不同语言环境下不同领域的谣言信息,这种模型通过上下文表征、结构特征以及虚拟响应增强方法提高了对谣言信息的早期检测能力,并在三个实际数据集上得到了比现有模型更好的表现。
- SIGIR一种基于弱监督传播模型的谣言验证和立场检测方法,利用多实例学习实现
通过多示例学习方案,我们提出了基于树结构的弱监督框架来联合分类谣言和立场,这里只需要关于真实性的包级标签。最后,我们提出了分层注意力机制来聚合二进制预测,通过在三个 Twitter 数据集上进行广泛的实验,证明了我们的模型在与现有方法相比的 - ACL关于统一虚假信息检测的研究
本研究提出了统一 M2,一种通用的误解模型,可以同时处理多个领域的误解。该模型通过组合四个任务(检测新闻偏见、诱人点击的标题、假新闻和辟谣)来学习误解的更丰富的表示,具有最先进或相当的性能,并且表明 UnifiedM2 的学习表示有助于学习 - 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。
- Whatsapp 上的政治群组中的图片和错误信息:以印度为例
研究 WhatsApp 在 2019 年印度全国选举前期所传播的新闻与谣言,发现约 13%的共享图像为已知的错误信息,并分析了这些图像的类型,当使用机器学习方法预测病毒性图像时,容易受到内容变化的影响。
- 冠状病毒时期的阴谋论:社交媒体和新闻中自动检测 Covid-19 阴谋论
通过自动化机器学习方法和叙事理论,分析社交媒体上的谣言和阴谋论,揭示支撑这些谣言生成的基本叙事框架,及其如何与关于 Covid-19 疫情的报道相关,以寻找疫情报道中易被阴谋论重新解释的薄弱点。
- COVID-19 社交媒体信息疫情
本研究通过分析 Twitter、Instagram、YouTube、Reddit、Gab 等社交媒体平台上信息扩散的情况,探讨了 COVID-19 话题的传播情况,并运用流行病学模型分析了每个社交媒体平台在信息传播方面的表现,发现每个平台都 - 深度多模式图像重用检测
提出了一个多模态学习模型,用于检测社交媒体上的图像改编,其中结合了从图像中提取的信息和知识库中相关信息,该方法在现有数据集和新数据集(MEIR)上都胜过现有技术,AUC 提升高达 0.23。
- 基于表示学习的社交媒体信息可信度评估
本研究提出了一种新的信息可信度评估方法 (ICE),采用表示学习建模社交媒体上用户的可信度、行为类型、时间属性和评论态度,以及机器学习方法区分谣言和非谣言,并在 Sina 微博数据集上取得了比现有方法更好的实验效果。