![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
谣言检测
谣言检测文献阅读笔记
怀着对美好生活的向往而努力
这个作者很懒,什么都没留下…
展开
-
多模态谣言检测:消息文本内容+图像信息+图像内嵌文本信息
刘金硕, 冯阔, Jeff Z. Pan, 邓娟, 王丽娜. MSRD: 多模态网络谣言检测方法[J]. 计算机研究与发展, 2020, 57(11): 2328-2336.一、创新点的提出二、数据集1、数据集样例2、公开数据集twitter数据集:微博数据集三、总体框架...原创 2020-12-09 17:13:28 · 2776 阅读 · 2 评论 -
Majing-2017ACL-Detect Rumors in Microblog Posts Using Propagation Structure via Kernel Learning
主要内容提出基于内核的传播树方法,通过评估传播树之间的相似性来识别谣言基本思想是寻找和捕捉Ru-MORS的传播树中的显著子结构。将PTK(传播树核)扩展为上下文丰富的PTK(CPTK),通过考虑从源Tweet到子树根的不同传播路径来增强模型,从而捕获传输的上下文。分类粒度更细:假谣言、真谣言、未经正式的谣言、非谣言(数据集的分类更多,每个集合中的数据更少)。具体模型实验设置twitter15twitter16对两个原始数据集中的数据进行了筛选:只提取了热门的推文,这些推文都是被转原创 2020-09-09 16:31:15 · 993 阅读 · 0 评论 -
谣言数据集链接
FakeNewsNet下载链接:https://github.com/KaiDMML/FakeNewsNet说明:该数据集包含新闻内容和正确标注真假新闻标签的社会语境特征。使用论文:(1)A Stylometric Inquiry into Hyperpartisan and Fake News(2)Exploiting Tri-Relationship for Fake News DetectionBuzzFeedNews链接:https://github.com/BuzzFeedNews.转载 2020-09-09 14:56:31 · 4935 阅读 · 6 评论 -
2015C-CIKM-Detect Rumors Using Time Series of Social Context Information on Microblogging Websites
主要内容提出一个动态时间序列结构模型(Dynamic Series-Time Structure model——DSTS),能够抓取多种社会上下文特征随时间流逝的变化。实验结果表明,在得知谣言完整生命周期的情况下,以及谣言扩散早期,DSTS都有较大的改进。研究动机现有的谣言检测方法大多基于与用户、信息内容和传播模式相关的特征的监督式的机器学习模型。这些模型的缺陷是他们将信息的社会内容的整体统计特征视为特征,如转发总数、传播的时间长,忽视了这些特征随时间的变化。具体模型基于DSTS的功能和带注释的原创 2020-09-02 13:10:32 · 566 阅读 · 0 评论 -
2018C-predicting stance in twitter conversation for detecting veracity of rumor :a neural approach
一、创新点和主要内容利用卷积神经网络和注意力机制对推文的文本内容进行编码得出立场预测,使用RNN(双向GRU)和注意力机制对推文序列进行学习,最后结合两个子模型进行谣言的预测。检测过程分为两步:根据推文的文本内容、时间戳和目标推文的顺序对话结构得出每条推文的stance;然后使用conversation中所有推文的stance来对原始谣言的真假进行预测。二、模型介绍1、数据集pheme数据集的一部分2、立场预测结合文本表示、上下文表示、时间特性学习得到推文的立场。- 立场检测架原创 2020-08-19 21:35:23 · 265 阅读 · 0 评论 -
2018C-BigData-multiple time series data analysis for rumor detection on social media
原创 2020-08-19 17:04:54 · 182 阅读 · 0 评论 -
基于深层结构学习的twitter谣言检测
Deep Structure Learning for Rumor Detection on Twitter,Qi Huang,2019(IJCNN)主要内容考虑用户关系网络的结构特征,使用GCN学习用户行为中存在的图形结构信息。三个结构:用户编码器、传播树编码器、集成器。问题描述事件集每个事件集中包含【帖子集合、用户集合】帖子集合根据转发回复关系生成传播树用户集合形成一个图模型介绍用户编码器结合了之前的用户特征(如粉丝数量、粉丝数量和注册年龄),加入了用户行为信息(通过.原创 2020-08-13 20:16:58 · 894 阅读 · 0 评论 -
转载----Majing谣言检测成果
第一篇《Detect Rumors Using Time Series of Social Context Information on Microblogging Websites》由于谣言检测模型只是对用户信息,模式传播和文本内容进行建模,忽略了时间的变化这一信息。作者提出了一种DSTS模型。第二篇《Detecting Rumors from Microblogs with Recurrent Neural Networks》作者使用了循环神经网络对谣言进行建模,使用TFIDF对词语进行建模,随.转载 2020-08-12 15:58:37 · 782 阅读 · 1 评论 -
基于深度视觉感知的RNN在谣言检测中的语义挖掘-2019(big data)
主要内容将社交事件流转换成连续时间序列,利用无偏CNN相关帖子的潜在语义,得到VIP注意向量,使用VIP注意向量指导RNN从上下文信息学习长距离依赖关系提出方法构建社会事件的可变长度时间序列对事件中的帖子进行块的划分,保证块之间仍然存在时间顺序和相互影响。对所有事件采取同样的划分原则在时间轴上距离较近的帖子被分到同一批次,使得事件阶段不中断爆发期的帖子应妥善划分所以,最终的划分结果是:对帖子进行均等划分,使得每个时间段的贴子数量一致normal all time steps to 0原创 2020-08-12 15:48:22 · 391 阅读 · 0 评论 -
用户可信度-注意力机制-多任务学习(2019ACL)
Rumor Detection By Exploiting User Credibility Information, Attention and Multi-task Learning,Quanzhi Li,2019,ACL主要内容数据集:pheme提出一种新的谣言检测和立场分类任务的多任务学习方法。所提出的神经网络模型包含一个共享层和两个特定任务层。谣言检测层融入了用户可信度信息,使用注意力机制。模型结构多任务网络模型网络结构立场检测层输入:推特embeding(TE)+.原创 2020-08-12 15:48:40 · 460 阅读 · 0 评论 -
Rumor Detection with Hierarchical Social Attention Network,2018,CIKM
主要内容一个事件被分为几个包含多个帖子的子事件,每个帖子被进一步分割为几个单词,实现了将事件进行结构化表示。将结构化的事件用双向LSTM进行学习,引入注意力机制。实验模型对文本结构进行分层:将事件中的帖子分成不同的时间间隔,每个时间间隔可认为是一个子事件;子事件由多条帖子构成;每条帖子由多个词语构成提取了22个社会特征模型结构(如下图)单层LSTM只能学习到前边的上下文,双向LSTM可以学习前后的上下文词级部分:双向LSTM+注意层帖子部分:双向LSTM+社会特征注意层子事件部分原创 2020-08-10 16:48:50 · 560 阅读 · 1 评论 -
基于卷积神经网络的谣言检测(刘政(未志华)-计算机应用2017)
基于卷积神经网络的谣言检测,刘政、未志华、张韧弦,《计算机应用》-2017主要内容(与周志远2018类似)使用Majing数据集将谣言事件向量化,改进传统的卷积层过滤操作,使用CNN进行谣言检测本文模型模型结构数据集处理通过新浪微博官方辟谣平台取得某条具体的谣言对其相关的微博进行聚类,得到N个谣言事件取得跟谣言事件数目近似相同的M个非谣言事件将每一个事件作为一个整体,对其中的每一条微博向量化,组成一个输入矩阵,以此类推,完成向量化操作输入卷积神经网络模型进行训练实际上.原创 2020-08-09 11:29:58 · 1183 阅读 · 0 评论 -
谣言检测日常笔记(1)
谣言检测笔记(1)谣言检测的实现主要涉及五个主要问题(流程)定义:选定检测的对象——假新闻、虚假信息、或是谣言,基于事件或是单个帖子数据收集:收集平台——新浪微博、twitter、Facebook或是其他社交平台(现有研究以前两个平台为主);具体的数据收集方式——公共数据集或是自己采取其他爬虫策略…特征提取:早期机器学习——按照先验知识(经验)提出能将谣言和非谣言区分开的特征,以便进行分类;后期深度学习——神经网络自动学习实现分类的特征。分析和检测技术:研究者设计或改进的各种机器学习或深度学原创 2020-07-15 21:27:02 · 1735 阅读 · 2 评论 -
一种用于谣言检测的C-GRU神经网络
主要内容提出结合了CNN和GRU的C-GRU模型。首先对谣言事件进行矢量化表示(3.1),使用CNN自动构建微博谣言的特征(3.1),继而利用GRU挖掘谣言事件中相关微博的时间信息(3.2)。CNN提取谣言深层特征的优势+RNN(GRU)处理序列信息的优势。实验设置数据集直接使用了Ma的公开数据集,使用正则表达式匹配的方法进行了降噪(超链接、@)实验设置Ma的工作:分别实现了tanh-RNN(tanh-递归神经网络)、LSTM(长短期记忆)、GRU(门控递归单元)。CNN模型:通原创 2020-07-30 20:25:30 · 857 阅读 · 3 评论 -
基于树结构递归神经网络的twitter谣言检测
主要内容提出一个基于递归神经网络(RvNN)的谣言检测方法,桥接内容语义和传播线索。与解析不同,本文模型的输入是源于原帖子的传播树,而不是单独句子的解析树。帖子的内容语义以及他们之间的响应关系可以通过沿树结构的特征递归学习过程来捕获。主要贡献第一个基于树结构递归神经网络深度集成内容语义和深度语义来实现谣言检测的研究。提出基于自上而下、自下而上的树状结构的RvNN的两个变体,捕获谣言的结构和文本特征,对claim生成更好的集成表示。问题陈述C={C1,}...原创 2020-08-05 17:30:16 · 930 阅读 · 0 评论