-
题名在线社会网络谣言检测综述
被引量：45
- 1
-
-
作者
陈燕方
李志宇
梁循
齐金山
-
机构
中国人民大学信息资源管理学院
中国人民大学信息学院计算机系
-
出处
《计算机学报》
EI
CSCD
北大核心
2018年第7期1648-1677,共30页
-
基金
国家自然科学基金(71531012
71271211)
+2 种基金
北京市自然科学基金(4172032)
中国人民大学科学研究基金项目(10XNI029)
中国人民大学2017年度拔尖创新人才培育资助计划成果之一资助~~
-
文摘
大数据环境下,在线社会网络与人们的生活、娱乐以及工作逐渐融为一体.然而"信息过载"和"信息污染"已成为在线社会网络诸多应用发展面临的主要瓶颈之一,并同时造成了用户的"信息焦虑"和"信息迷航"等一系列问题,因此在线社会网络谣言检测是改善在线社会网络信息生态环境质量、提升用户体验的有效手段.在线社会网络谣言检测隶属于信息可信度检测研究范畴,但谣言的不确定性、较强的时效性、主观性和关联性等特征又使得其与虚假信息检测有着本质区别.基于以上,该文从在线社会网络谣言的基本概念和特征研究出发,分别基于目标、对象和时间三个属性,分析了在线社会网络谣言检测研究基本问题的形式化定义,并介绍了研究中数据采集和标注的不同方法.然后,分别对不同类别和应用场景的在线社会网络谣言检测方法和谣言源检测方法进行了分析和总结.最后,该文讨论了在线社会网络谣言检测技术未来发展面临的若干挑战以及可能的研究方向.
-
关键词
在线社会网络
谣言
虚假信息
谣言检测
谣言源检测
网络结构分析
-
Keywords
online social networks
rumor
misinformation
rumor detection
rumor source detection
network structure analysis
-
分类号
TP311
[自动化与计算机技术—计算机软件与理论]
-
-
题名社交媒体中错误信息的检测方法研究述评
被引量：7
- 2
-
-
作者
吴诗苑
董庆兴
宋志君
张斌
-
机构
华中师范大学信息管理学院
武汉大学新闻与传播学院
武汉大学大数据研究院
南京大学信息管理学院
-
出处
《情报学报》
CSSCI
CSCD
北大核心
2022年第6期651-661,共11页
-
基金
国家自然科学基金面上项目“面向群智感知大数据的群体评价模型与方法研究”(71871102),“基于注意力机制的学术信息动态推荐研究”(72074109)。
-
文摘
社交媒体改变了人们获取信息的方式,但也助长了错误信息在网络上的产生和传播。如何准确且快速地检测出社交媒体上的错误信息以净化网络环境,是一个重要的研究议题。本文从信息生态理论出发,分别从内容、用户和传播三个角度来阐述当前错误信息检测所关注的问题以及对应的检测方法,对近年来国内外的相关研究成果进行了系统梳理。现有的检测方法已经利用深度学习等技术取得了较好的检测结果。但是,由于错误信息爆发初期相关数据较少,有关早期检测的研究尚不多见;能够实现有效迁移和预训练的大规模基准数据集仍有待构建;从用户入手的信息挖掘有待进一步深入研究。
-
关键词
社交媒体
错误信息
深度学习
特征融合
自动检测
-
Keywords
social media
misinformation
deep learning
feature fusion
automatic detection
-
分类号
G206
[文化科学—传播学]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于对比图学习的跨文档虚假信息检测
- 3
-
-
作者
廖劲智
赵和伟
连小童
纪文亮
石海明
赵翔
-
机构
国防大学军事管理学院
国防科技大学系统工程学院
-
出处
《计算机科学》
CSCD
北大核心
2024年第3期14-19,共6页
-
基金
国家重点研发计划(2022YFB3102600)
国家自然科学基金(72301284,62272469)。
-
文摘
当前,网络上充斥着大量虚假信息,严重阻碍了社会各行业的正常运转,如何精准检测虚假信息成为了亟待解决的问题。现有研究主要从账户特征、文本内容和多模态3个角度开展工作,但大多忽视了虚假信息赖以传播的关键特征(即内容新奇性),仅是孤立地分析判别目标信息的真实性,未能把握舆论环境的特征。因此,提出了一种基于对比图学习的跨文档虚假信息检测方法(Contrastive Graph Learning,CAL),聚焦于内容新奇性,主要包含两个关键模块:对比学习模块和异构图模块。前者致力于扩大客观事实与虚假信息在向量空间中的表示差异性;后者包含实体、事件、事件集、句子和文档5种类型实体,尽可能向实体表示中注入舆论环境的语义特征。最后,在IED,TL17和Crisis这3个数据集上,在文档级和事件级这两个层次上开展了相关实验,CAL在所有测试中均取得了最优的结果,验证了所提方法的有效性。
-
关键词
跨文档虚假信息检测
对比学习
异构图
事件级检测
-
Keywords
cross-document misinformation detection
Contrastive learning
Heterogeneous graph
Event-level detection
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于信息瓶颈理论的鲁棒少标签虚假信息检测
- 4
-
-
作者
王吉宏
赵书庆
罗敏楠
刘欢
赵翔
郑庆华
-
机构
西安交通大学计算机科学与技术学院
国防科技大学大数据与决策实验室
-
出处
《计算机研究与发展》
EI
CSCD
北大核心
2024年第7期1629-1642,共14页
-
基金
国家重点研发计划项目(2022YFB3102600)
国家自然科学基金项目(62192781,62272374,62202367,62250009,62137002,61937001)
+3 种基金
国家自然科学基金创新研究群体(61721002)
教育部创新研究团队(IRT_17R86)
中国工程科学技术知识中心项目及中国工程院项目
王宽诚教育基金项目。
-
文摘
虚假信息检测对于维护网络舆情安全具有重要意义.研究表明,虚假信息在信息内容和传播结构上较真实信息具有显著不同.为此,近年来研究致力于挖掘信息内容和信息传播结构,提升虚假信息检测的精准性.然而,现实场景中虚假信息的标注往往需要大量地与官方报道等比照分析,代价较为昂贵,现有方法对标注信息的过分依赖限制了其实际应用.此外,虚假信息传播者可通过在评论区控评等手段恶意操纵虚假信息的传播,增加了虚假信息检测的难度.为此,基于信息瓶颈理论提出一种鲁棒少标签虚假信息检测方法,通过互信息最大化技术融合无标注样本信息,克服虚假信息检测对标签的过分依赖问题;并通过对抗训练的策略模拟虚假信息传播者的恶意操纵行为,基于信息瓶颈理论学习鲁棒的虚假信息表征,在高质量表征虚假信息的同时消除恶意操纵行为的影响.实验表明,该方法在少标签识别和鲁棒性2个方面均取得了优于基准方法的效果.
-
关键词
虚假信息检测
图神经网络
互信息
图表示学习
鲁棒表示学习
少标签学习
-
Keywords
misinformation detection
graph neural network
mutual information
graph representation learning
robust representation learning
few-label learning
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名结合社交网络图的多模态虚假信息检测模型
被引量：5
- 5
-
-
作者
叶舟波
罗舜
于娟
-
机构
福州大学经济与管理学院
-
出处
《计算机应用研究》
CSCD
北大核心
2024年第7期1992-1998,共7页
-
基金
国家自然科学基金资助项目(71771054,72171090)
福建省自然科学基金资助项目(2023J01393)。
-
文摘
针对现有虚假信息检测方法主要基于单模态数据分析,检测时忽视了信息之间相关性的问题,提出了结合社交网络图的多模态虚假信息检测模型。该模型使用预训练Transformer模型和图像描述模型分别从多角度提取各模态数据的语义,并通过融合信息传播过程中的社交网络图,在文本和图像模态中加入传播信息的特征,最后使用跨模态注意力机制分配各模态信息权重以进行虚假信息检测。在推特和微博两个真实数据集上进行对比实验,所提模型的虚假信息检测准确率稳定为约88%,高于EANN、PTCA等现有基线模型。实验结果表明所提模型能够有效融合多模态信息,从而提高虚假信息检测的准确率。
-
关键词
网络舆情
虚假信息检测
多模态融合
跨模态注意力
社交网络图
-
Keywords
online public opinion
misinformation detection
multimodal fusion
multimodal co-attention
social network graph
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
-
题名基于信号检测论的错误信息鉴别层级模型
被引量：1
- 6
-
-
作者
曹呈旭
七十三
金童林
曾小叶
安叶青
卜塔娜
-
机构
内蒙古师范大学心理学院
-
出处
《心理科学进展》
CSSCI
CSCD
北大核心
2024年第7期1209-1220,共12页
-
基金
内蒙古师范大学研究生科研创新基金资助项目(CXJJB23002)。
-
文摘
在错误信息鉴别的研究领域,系统2动机性推理理论和经典推理理论分别从不同视角探讨了影响个体错误信息鉴别的因素,但两者在认知能力的作用解释上存在分歧。在现有研究基础之上,引入情绪、信息特征和个体立场及其深层次动机等因素,进一步完善基于信号检测论的错误信息鉴别层级模型,旨在深化对不同因素如何影响错误信息鉴别的理解。该模型通过区分不同因素对信息鉴别中辨别敏感性和判断标准的影响,不仅有效地调和了系统2动机性推理理论和经典推理理论在认知能力作用观点上的分歧,也为理解错误信息鉴别的复杂机制提供了更为细致和结构化的分析框架。
-
关键词
错误信息
信号检测论
影响因素
系统2动机性推理理论
经典推理理论
-
Keywords
misinformation
signal detection theory
affecting factors
motivated System 2 reasoning account
classical reasoning account
-
分类号
B849
[哲学宗教—应用心理学]
-
