面向网络舆情管控的微博谣言用户识别研究

发布时间：2020-08-13 21:41

【摘要】：随着Web2.0时代的到来,Twitter、微博等社交媒体快速发展。网络社交平台在方便人们获取信息,丰富娱乐生活的同时,因其表达的自由化、信息的多样化、传播迅速等特点,成为谣言滋生与传播的温床。谣言的大量传播,干扰着人们的生活,威胁着社会安全。因此,社交网络谣言的识别引起各界学者们的关注,通过对网络谣言的自动检测,实现对网络舆情的高效监控与治理。针对社交网络平台谣言的识别,国内外学者已经开展了大量的研究,并且有了较为成熟的研究成果。但是,网络谣言得以传播扩散的根源在于谣言发布者的存在,然而在现有的研究中缺少对于谣言发布用户的研究,大都将谣言用户的相关属性作为谣言识别任务的特征之一,但是本文认为,谣言发布者的识别也同样重要。本文提出将谣言用户的识别作为研究对象,以期从根源上切断谣言的产生与扩散,在实践和理论上都具有重要意义。网络谣言的猖獗在方方面面影响着人们对生活,干扰人们对事物的正确判断。然而这些发布谣言的人出于谋取私利、表现自我、博取关注等目的,不负责任地在网络社交平台发布不实言论。针对一些人别有用心在网络上散布谣言,引发人们的消极恐慌等负面情绪、危及社会稳定的问题,本文收集了3980个微博谣言发布用户信息和3514个普通正常用户信息,构建本次实验的数据集。然后对谣言发布者的行为特点进行了分析,提取出10个特征构建特征工程,分别用XGBoost算法、支持向量机算法和朴素贝叶斯算法构建分类器进行分类实验,对微博谣言用户进行识别。实验结果表明,XGBoost与支持向量机对谣言用户识别的效果都比较理想,分类的准确率能到到80%以上,朴素贝叶斯效果较差。最后,本文基于对实际情况的考量,对不平衡数据集中的分类器对谣言用户识别的性能进行了检验,实验结果表明,随着数据集不平衡程度的加剧,三种分类器的分类性能都有所降低,XGBoost分类器的分类效果始终优于SVM和朴素贝叶斯,在不同的数据集中均有最好的表现。
【学位授予单位】：武汉大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：C912.63;TP391.1;TP181

【相似文献】