微博中谣言传播推动者差异性和传播影响研究
发布时间：2022-01-20 03:31
随着网络技术的普及,微博平台已经成为网民们获取、交流、传播信息的重要平台,高效的信息分发也为谣言的传播提供了方便渠道,使谣言具有更强破坏力和负面效果。尽管2013年两高出台了相关法律条款,明确了对于谣言传播者的处罚规定,但因为社交媒体的传播特性使得谣言监管困难,定罪成本高,谣言仍然呈现高发趋势。谣言传播者是谣言传播的主体,针对传播人群差异性及其影响研究对有效治理管控谣言传播有重要意义。为了研究不同谣言传播者的差异性,以及不同类型人群的传播效果,本文基于微博平台的谣言传播数据,利用数据挖掘技术,根据谣言置信度对谣言传播推动者进行分类,分析不同类型的传播推动者的差异性及其对参与传播的人群影响情况,主要内容如下:第一,对谣言传播相关理论做了介绍,分析了谣言传播的动机与心理相关理论,以及谣言传播者分类的常见方式,并对比分析了本文用于情感分析的Pytorch与BERT深度学习方法,阐述了选取效果更优的BERT方法对谣言文本进行情感分类理由。第二,依据传播效果对谣言传播者进行了分类,划分为普通传播者与传播推动者,在此基础上根据对谣言置信度不同将传播推动者进一步划分为信谣传播推动者、中立传播推动者、...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
设置关键词+时间段后的微博搜索结果
哈尔滨工业大学管理学硕士学位论文-21-同时，因为要研究谣言传播者的特征，传播者信息需要进入个人主页进行爬取，再设置爬虫程序，根据在搜索页获取得到的uid构造个人主页的url，对个人主页信息进行爬取，获取得到参与用户的性别、地域、关注数、微博数、粉丝数、认证类型、注册时间，再将传播者信息根据参与事件类型保存至mongoDB数据库，过滤去除3672条已注销微博账号和缺少信息过多的用户数据，最终得到微博信息共297029条，传播者信息270330条，需要说明的是，因为按照谣言事件来对用户进行爬取，传播者信息中可能存在用户参与了多个谣言事件而被重复记入，且由于需要统计用户在不同事件内的参与情况，所以并未进行去重处理。具体数据处理流程如图3-2所示。图3-2数据处理流程3.2文本情感分类处理对于谣言传播效果进行进一步研究，很重要的一部分就是对于情感交互情况的研究，通过对于传播者发布微博文本的分析，对情感倾向情况进行分类。本研究为得出效果较优的模型结果，分别选择了Pytorch和BERT两种模型对数据进行训练，最后择优进行最终的实验。Pytorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。其进行情感分类的流程如图3-3所示。
哈尔滨工业大学管理学硕士学位论文-22-图3-3Pytorch情感分类的流程BERT模型全称是“BidirectionalEncoderRepresentationsfromTransformers”，是谷歌在2018年发布的一种新型语言模型，模型的主要创新点在pre-train方法上，即用了MaskedLM和NextSentencePrediction两种方法分别捕捉词语和句子级别的representation[98]。在各种机器阅读理解顶级水平测试中BERT均表现优异，被认为是NLP领域近期最重要的进展[99]。本文选择这两种模型是因为文本影响因素识别难度较大，故需要泛化性能较好的模型，Pytorch在文本分类时，采用动态计算图框架，非常高效，BERT在难识别的文本中表现依然出色，并且两者都适合大型数据，故可以用来对论文情模型进行训练。在论文中，对15000条谣言文本进行了三分类的情感标注，随机抽取1000条进行Kappa检验，Kappa=0.849>0.8，验证了标注准确可信，详细检验如果可见下表3-3。表3-3情感分类Kappa检验结果值渐进标准误差a近似值Tb近似值Sig.一致性度量Kappa.849.01537.633.000有效案例中的N1000在此基础上，通过Pytorch与BERT分别训练模型。其具体步骤如下图3-4所示。
【参考文献】：
期刊论文
[1]区域地理要素空间属性的认知意义与认知策略[J]. 张福彦,袁孝亭. 地理教学. 2020(07)
[2]网络热点谣言的传播特征及动因——基于中国互联网联合辟谣平台榜单的分析[J]. 韦守. 新闻世界. 2020(01)
[3]基于受众画像的新型耦合社交网络谣言传播模型研究[J]. 李钢,王聿达. 现代情报. 2020(01)
[4]基于BERT模型的舆情分类应用研究[J]. 胡春涛,秦锦康,陈静梅,张亮. 网络安全技术与应用. 2019(11)
[5]考虑“从众效应”的谣言传播机理及其仿真[J]. 张晨,王冰. 产业与科技论坛. 2019(10)
[6]Google开源BERT模型源代码[J]. 本刊讯. 数据分析与知识发现. 2018(11)
[7]社交网络用户认知域特征预测研究综述[J]. 郑敬华,郭世泽,高梁,钟晓峰. 计算机科学. 2018(03)
[8]大数据时代下基于Python的网络信息爬取技术[J]. 刘顺程,岳思颖. 电子技术与软件工程. 2017(21)
[9]基于SIRT的网络谣言传播演化模型的研究[J]. 洪巍,王虎. 现代情报. 2017(06)
[10]社交媒体中的谣言识别研究综述[J]. 刘雅辉,靳小龙,沈华伟,鲍鹏,程学旗. 计算机学报. 2018(07)
硕士论文
[1]主流媒体微博的政治传播效果研究[D]. 田高洁.上海交通大学 2019
[2]微博传播效果的分析与预测[D]. 刘敏.太原理工大学 2016
[3]基于传播视角的不同类型政务微博传播效果影响因素研究[D]. 甘家月.北京邮电大学 2015
[4]网络谣言传播研究[D]. 左玮娜.中国社会科学院研究生院 2006
本文编号：3598091
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：77 页
【学位级别】：硕士
【部分图文】：
设置关键词+时间段后的微博搜索结果
哈尔滨工业大学管理学硕士学位论文-21-同时，因为要研究谣言传播者的特征，传播者信息需要进入个人主页进行爬取，再设置爬虫程序，根据在搜索页获取得到的uid构造个人主页的url，对个人主页信息进行爬取，获取得到参与用户的性别、地域、关注数、微博数、粉丝数、认证类型、注册时间，再将传播者信息根据参与事件类型保存至mongoDB数据库，过滤去除3672条已注销微博账号和缺少信息过多的用户数据，最终得到微博信息共297029条，传播者信息270330条，需要说明的是，因为按照谣言事件来对用户进行爬取，传播者信息中可能存在用户参与了多个谣言事件而被重复记入，且由于需要统计用户在不同事件内的参与情况，所以并未进行去重处理。具体数据处理流程如图3-2所示。图3-2数据处理流程3.2文本情感分类处理对于谣言传播效果进行进一步研究，很重要的一部分就是对于情感交互情况的研究，通过对于传播者发布微博文本的分析，对情感倾向情况进行分类。本研究为得出效果较优的模型结果，分别选择了Pytorch和BERT两种模型对数据进行训练，最后择优进行最终的实验。Pytorch是一个开源的Python机器学习库，基于Torch，用于自然语言处理等应用程序。其进行情感分类的流程如图3-3所示。
哈尔滨工业大学管理学硕士学位论文-22-图3-3Pytorch情感分类的流程BERT模型全称是“BidirectionalEncoderRepresentationsfromTransformers”，是谷歌在2018年发布的一种新型语言模型，模型的主要创新点在pre-train方法上，即用了MaskedLM和NextSentencePrediction两种方法分别捕捉词语和句子级别的representation[98]。在各种机器阅读理解顶级水平测试中BERT均表现优异，被认为是NLP领域近期最重要的进展[99]。本文选择这两种模型是因为文本影响因素识别难度较大，故需要泛化性能较好的模型，Pytorch在文本分类时，采用动态计算图框架，非常高效，BERT在难识别的文本中表现依然出色，并且两者都适合大型数据，故可以用来对论文情模型进行训练。在论文中，对15000条谣言文本进行了三分类的情感标注，随机抽取1000条进行Kappa检验，Kappa=0.849>0.8，验证了标注准确可信，详细检验如果可见下表3-3。表3-3情感分类Kappa检验结果值渐进标准误差a近似值Tb近似值Sig.一致性度量Kappa.849.01537.633.000有效案例中的N1000在此基础上，通过Pytorch与BERT分别训练模型。其具体步骤如下图3-4所示。
【参考文献】：
期刊论文
[1]区域地理要素空间属性的认知意义与认知策略[J]. 张福彦,袁孝亭. 地理教学. 2020(07)
[2]网络热点谣言的传播特征及动因——基于中国互联网联合辟谣平台榜单的分析[J]. 韦守. 新闻世界. 2020(01)
[3]基于受众画像的新型耦合社交网络谣言传播模型研究[J]. 李钢,王聿达. 现代情报. 2020(01)
[4]基于BERT模型的舆情分类应用研究[J]. 胡春涛,秦锦康,陈静梅,张亮. 网络安全技术与应用. 2019(11)
[5]考虑“从众效应”的谣言传播机理及其仿真[J]. 张晨,王冰. 产业与科技论坛. 2019(10)
[6]Google开源BERT模型源代码[J]. 本刊讯. 数据分析与知识发现. 2018(11)
[7]社交网络用户认知域特征预测研究综述[J]. 郑敬华,郭世泽,高梁,钟晓峰. 计算机科学. 2018(03)
[8]大数据时代下基于Python的网络信息爬取技术[J]. 刘顺程,岳思颖. 电子技术与软件工程. 2017(21)
[9]基于SIRT的网络谣言传播演化模型的研究[J]. 洪巍,王虎. 现代情报. 2017(06)
[10]社交媒体中的谣言识别研究综述[J]. 刘雅辉,靳小龙,沈华伟,鲍鹏,程学旗. 计算机学报. 2018(07)
硕士论文
[1]主流媒体微博的政治传播效果研究[D]. 田高洁.上海交通大学 2019
[2]微博传播效果的分析与预测[D]. 刘敏.太原理工大学 2016
[3]基于传播视角的不同类型政务微博传播效果影响因素研究[D]. 甘家月.北京邮电大学 2015
[4]网络谣言传播研究[D]. 左玮娜.中国社会科学院研究生院 2006
本文编号：3598091
本文链接：https://www.wllwen.com/shekelunwen/shgj/3598091.html
