基于分层注意力网络的早期谣言检测研究与应用

发布时间：2023-05-18 04:02

　　近年来,随着社交媒体的兴起,谣言所带来的问题比以往任何时候都更加严重。由于谣言涉及经济、健康、政治等公共话题,其真实性、正确性无法被及时验证或永远都没有办法被验证。这些谣言带有未经证实甚至是虚假的信息,可能会引起公众恐慌,进而造成严重的经济损失,对社会产生不良影响。面对社交媒体上的海量信息,专业人士鉴别谣言所需的时间和精力是巨大的,且存在识别滞后,覆盖不全面等问题。因此研究和设计兼具准确率,覆盖率以及及时性的谣言自动识别方法具有重要意义,能够在谣言形成有效规模前及时辟谣并删除,降低后续不良影响,防患谣言于未然。本研究正是基于这样的出发点,利用采集到的微信谣言数据集,结合分层注意力网络、深度强化学习、生成对抗学习等方法,设计并实现了混合谣言检测算法和早期谣言检测算法。本文主要进行了以下几方面的工作:(1)采集构建了微信谣言数据集,并对其进行预处理与分析。具体来说,首先,通过网络爬虫爬取微信公众号文章,获取了大量的谣言事件与真实事件的文本和社交上下文信息。其次,为了后续的分析及建模任务,进行了清洗、分词、去停词三项预处理操作。随后,我们分别从时序性和文本内容角度,分析了谣言与非谣言在分布上...

【文章页数】：73 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 主要研究内容
    1.4 论文组织结构
第二章 相关技术
    2.1 爬虫技术
    2.2 分层注意力网络
        2.2.1 循环神经网络
        2.2.2 注意力机制
        2.2.3 分层注意力网络
    2.3 强化学习
    2.4 生成对抗学习
    2.5 本章小结
第三章 微信谣言数据采集与分析
    3.1 数据采集
    3.2 数据预处理
        3.2.1 数据清洗
        3.2.2 分词
        3.2.3 去停词
    3.3 数据集分析
        3.3.1 时序角度
        3.3.2 内容角度
    3.4 本章小结
第四章 基于分层注意力网络的混合谣言检测模型
    4.1 任务描述和相关工作
        4.1.1 任务描述
        4.1.2 相关工作
    4.2 基于分层注意力网络的混合谣言检测算法设计
        4.2.1 HHAN框架
        4.2.2 分层注意力模块
        4.2.3 辅助信息提取模块
        4.2.4 集成模块
        4.2.5 模型训练
    4.3 实验结果与分析
        4.3.1 实验设置
        4.3.2 基线模型
        4.3.3 模型指标
        4.3.4 实验结果
    4.4 本章小结
第五章 基于分层注意力网络的早期谣言检测模型
    5.1 任务描述和相关工作
        5.1.1 任务描述
        5.1.2 相关工作
    5.2 基于分层注意力网络的早期谣言检测研究算法设计
        5.2.1 HAN-ERD框架
        5.2.2 基于HAN的谣言检测模块
        5.2.3 检查点模块
        5.2.4 联合训练
    5.3 实验结果与分析
        5.3.1 实验设置
        5.3.2 基线模型
        5.3.3 模型指标
        5.3.4 实验结果
    5.4 本章小结
第六章 总结和展望
    6.1 总结
    6.2 展望
参考文献
致谢
攻读学位期间取得的研究成果



本文编号：3818634