基于迁移学习的谣言检测机制研究

发布时间：2020-06-12 10:59

【摘要】：随着互联网技术的快速发展,在线社交网络成为一种新的信息发布和共享的服务平台,逐渐成为人们日常学习、生活中的重要组成部分。由于这些平台发布信息的门槛较低,且信息多样化、表达自由化,使其成为谣言的产生与扩散的绝佳平台。而恶意的谣言往往具有一定的危害性,容易引发社会恐慌,这对社会的进步、国家的发展尤其不利。社交网络中,不实信息的泛滥特别是谣言的充斥已近成为日益突出的社会问题。现有的谣言检测方法主要采用传统的机器学习方法进行检测,这些方法都需要大量的数据标注。然而,微博文本内容短且具有随意性,这些特性使得大量且有效的标注数据非常难以获取,标注样本又非常费时费力。再者,人的主观因素容易导致其对谣言产生误判。与此同时,微博信息更新迅速,能够被有效标注的数据已经不足以训练得到一个可靠的分类模型。迁移学习是运用已存有的知识来实现对相关领域问题进行解决的一种机器学习方法。而意见评论检测的数据与方法与微博谣言又具有一定的相似性。随着迁移学习的出现,传统机器学习中的两个基本假设被打破,为解决上述问题提供了可能。目前迁移学习主要应用于图像处理等领域,如何有效实现迁移学习在谣言检测领域的应用,也成为一大难点。针对以上问题,本课题针对Twitter中充斥的谣言进行识别与检测,采用迁移学习方法,将评论中的知识进行迁移,以此实现目标域(即谣言检测领域)的有效分类。主要工作内容如下:首先,需要对源域与目标域数据进行数据处理与分析。其次,本文提出了一种基于卷积神经网络(Convolution Neural Network,CNN)的深度迁移模型来实现对Twitter中谣言的检测。具体来说,本文给出了一种学习率自适应更新的方法来解决迁移过程中出现的负迁移现象。最后,使用深度学习框架TensorFlow实现了所提模型,在已标注谣言规模不足的情况下,构建了更为准确的谣言检查机制。经过实验验证,本文提出的模型在谣言检测上取得了更为准确的识别结果,可以作为一种有效的谣言检测手段应用于实际工作。
【图文】：

趋势图,网民,普及率,互联网

第一章绪论1.1 研究背景及意义随着移动互联网技术的快速发展，在线社交网络成为一种新的信息发布和共享服务平台，逐渐成为人们日常学习生活中的重要组成部分。一些现有的社交网络平台，如Facebook，Twitter，新浪微博，微信和其他新兴社交媒体形式，引发了一场覆盖范围广泛、影响力极大的媒体革命。这场革命影响着人们生活的生活方式、社交方式、社会的经济发展乃至国家的政治经济的各个方面。与传统媒体（如：电视、报纸等）有时间和空间的局限性的媒体不同，，在这些社交平台中用户可以随时随地通过网络或移动客户端等媒介表达个人观点与兴趣爱好。由于其实时共享信息，传播速度快，界面友好等特性，成为人们广泛使用的交换信息工具。

机器学习,目标域

1.2.2 迁移学习研究现状迁移学习是机器学习的一个重要分支。迁移学习能够利用存储在源域内的知识，并将其迁移到目标域中，改善目标域的任务效果[23]。近年来，迁移学习引起了研究者们广泛的关注和研究。在现有的研究中，迁移学习主要被应用于图像处理等领域，而在自然语言处理中还是一个崭新的研究方向。Mou L 等人[24]在其论文中提出，自然语言处理中的迁移学习对语义比对图像处理更加敏感。迁移学习主要被用于解决给定数据集不足以被用来训练得到一个完整的模型。在这样的前提条件下，迁移学习可以将在源数据集上预训练得到的模型中累积的知识迁移到目标域中，最终实现目标域分类结果的提升[25]。传统的分类任务与迁移学习是不同的。在传统任务中，为了保证最终分类结果的准确率和可靠性，要求模型所使用的训练样本与测试样本必须独立同分布，同时训练数据也必须充足，否则无法得到足够的分类特征。然而，在实际的研究中可以发现，这些条件通常无法满足。迁移学习与传统机器学习之间的区别如图 1-2 所示。
【学位授予单位】：内蒙古工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.1;TP181

【参考文献】