基于评论极性与集成学习的微博谣言检测研究

发布时间：2021-03-27 21:48

　　微博作为最受欢迎的社交网络应用之一,在带给人们信息便利的同时,其中也充斥着网络谣言。网络谣言借助微博信息繁多、传播自由快速等特点,在平台上肆意传播,对个人和社会造成了严重危害。谣言的自动检测研究作为社交网络谣言研究、监控和治理的前提,逐渐受到社会和有关研究者的广泛关注。本文以微博谣言为研究对象,分析微博相关文本信息与用户信息,提取出深层、隐性的差异信息作为新的分类特征;同时,借助集成学习的思想,优化Stacking集成算法以构建集成分类模型,完成谣言的自动检测。本文的主要工作如下:（1）基于谣言微博文本信息与用户信息的深层特征提取。通过分析已有研究提取的谣言特征,发现其中大多数特征较为简单、浅显,缺乏对相关文本信息与用户信息的深入分析。本文分析谣言微博与非谣言微博在评论信息、发文用户信息以及传播用户信息上的差异性,总结并提取出负面情绪评论比例、用户信誉值、辟谣用户参与等深层隐性特征,并给出了特征定量方法。（2）针对微博评论极性特征的量化问题,提出了一种结合语义规则的机器学习情感分类方法。首先,收集并整理五个方面的词典资源,构建了一个较全面的极性情感词典;然后,将整个文本进行层级划分,并... 

【文章来源】：武汉理工大学湖北省 211工程院校 教育部直属院校

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

微博平台上的谣言示例1

很多网络谣言的辨别，需要依赖很多背景知识，甚至专业知识，且微博每日信息量巨大，很难及时发现谣言并制止，从而极易对个人和社会造成严重危害。图 1-1 微博平台上的谣言示例 1

微博平台上的谣言示例3

【参考文献】：
期刊论文
[1]在线社会网络谣言检测综述[J]. 陈燕方,李志宇,梁循,齐金山.  计算机学报. 2018(07)
[2]基于卷积神经网络的谣言检测[J]. 刘政,卫志华,张韧弦.  计算机应用. 2017(11)
[3]新浪微博谣言检测研究[J]. 祖坤琳,赵铭伟,郭凯,林鸿飞.  中文信息学报. 2017(03)
[4]融合规则与统计的微博新词发现方法[J]. 周霜霜,徐金安,陈钰枫,张玉洁.  计算机应用. 2017(04)
[5]大规模情感词典的构建及其在情感分类中的应用[J]. 赵妍妍,秦兵,石秋慧,刘挺.  中文信息学报. 2017(02)
[6]微博谣言的呈现模式及形成原因[J]. 袁程远,温志强.  传媒. 2016(08)
[7]自动谣言检测分析与实现[J]. 冯程,梁刚,周鸿宇,杨进.  现代计算机(专业版). 2016(07)
[8]微博谣言传播模型与影响力评估研究[J]. 向卓元,陈宇玲.  科研管理. 2016(01)
[9]基于深层特征和集成分类器的微博谣言检测研究[J]. 毛二松,陈刚,刘欣,王波.  计算机应用研究. 2016(11)
[10]中文社交媒体谣言统计语义分析[J]. 刘知远,张乐,涂存超,孙茂松.  中国科学:信息科学. 2015(12)



本文编号：3104289