基于表示学习的网络谣言传播分析与预测

发布时间：2023-10-26 20:01

　　随着社交网络的发展,微博、论坛等社交软件的数量日益增加,人们之间的信息交流、资源共享也变得越来越多。新一代的社交信息传播技术促进了信息快速共享和大规模的信息级联。与此同时,由于网络谣言自身的隐蔽性、突发性和传播分散性,往往在短时间内就能快速扩散影响,甚至比真实信息的传播速度更快,影响更广。所以,对社交网络谣言话题内在传播规律的分析与预测研究,在引导正确的舆论、遏制谣言传播和维护社会稳定等方面都有重大的意义。本文主要从社交网络谣言话题下的用户个体与群体两方面出发,对谣言话题转发与热度进行了建模与分析。主要的研究工作和贡献如下:1.在谣言话题转发预测方面,针对谣言传播特征空间的多样性和复杂性,考虑到表示学习在数据特征提取方面的优势,对内容和结构两类特征采取对应的表示学习方法,达到对传播空间数据特征进行降维、统一化、稠密化的全貌信息表达目的。其次,考虑到辟谣信息对谣言传播行为的影响,在对群体传播关系结构特征表示时,引入演化博弈理论,融和谣言、辟谣消息的用户影响力,更切实地反映出谣言与辟谣的竞争、共生关系。最后,考虑到图卷积神经网络对非欧氏结构数据进行卷积处理的能力,提出基于表示学习和CNN-...

【文章页数】：74 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第1章 绪论
    1.1 研究背景
    1.2 研究现状
        1.2.1 社交网络的发展
        1.2.2 社交网络中谣言话题传播分析研究
    1.3 论文研究内容及意义
    1.4 论文组织结构
第2章 相关理论方法概述
    2.1 社交网络结构特征
    2.2 基于表示学习的特征提取方法
        2.2.1 文本表示学习
        2.2.2 网络表示学习
    2.3 话题转发预测模型
        2.3.1 博弈论模型
        2.3.2 传染病模型
        2.3.3 机器学习模型
    2.4 话题热度预测模型
        2.4.1 自回归移动平均模型
        2.4.2 LSTM回归预测模型
        2.4.3 指数平滑预测模型
    2.5 本章小结
第3章 基于用户个体层面的转发行为预测模型
    3.1 引言
    3.2 问题定义
        3.2.1 相关定义
        3.2.2 问题形式化
    3.3 基于表示学习与演化博弈论的用户特征提取算法
        3.3.1 谣言话题的特征表示
        3.3.2 谣言-辟谣影响力量化
    3.4 基于CNN-GCN的用户行为预测模型
        3.4.1 CNN-GCN神经网络设计
        3.4.2 训练方案
        3.4.3 学习算法
    3.5 本章小结
第4章 基于用户群体层面的热度预测模型
    4.1 引言
    4.2 问题定义
        4.2.1 谣言话题热度定义
        4.2.2 时间序列定义
        4.2.3 问题形式化
    4.3 基于知识表示的多消息特征提取
    4.4 谣言话题热度预测模型
        4.4.1 预测模型框架
        4.4.2 预测算法
    4.5 本章小结
第5章 实验验证和结果分析
    5.1 数据集描述
    5.2 谣言话题用户转发行为预测模型评估
        5.2.1 基线方法与评价指标
        5.2.2 CNN-GCN预测模型参数设计
        5.2.3 表示学习方法选择
        5.2.4 谣言-辟谣影响力量化有效性分析
        5.2.5 预测模型性能分析
    5.3 谣言话题态势感知模型评估
        5.3.1 基线方法与评价指标
        5.3.2 算法评估与对比
    5.4 本章小结
第6章 总结及未来工作
    6.1 全文总结
    6.2 未来工作展望
参考文献
致谢
攻读硕士学位期间从事的科研工作及取得的成果



本文编号：3856890