社交媒体中的谣言检测(A11, AAAI2015)

最新推荐文章于 2025-04-08 17:29:53 发布
最新推荐文章于 2025-04-08 17:29:53 发布
阅读量3.2k 收藏 6
点赞数
分类专栏： 论文阅读之谣言识别 文章标签： 谣言定义 数据标注
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/ABCD2010014357/article/details/50108773
版权
本文提出了一种新的方法来检测社交媒体中的谣言，通过创建一个包含谣言和非谣言数据集。方法包括收集紧急事件的原微博及其相关会话，然后进行人工标注。数据收集阶段使用特定关键词筛选，并通过可视化工具辅助标注，确保事件的多样性和微博的代表性。结果表明，这种方法能够有效地识别不同类型的谣言故事。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

Towards Detecting Rumours in Social Media 社交媒体中的谣言检测(A11, AAAI2015)

文章结果表明本文可以有效收集社交媒体中一系列故事的谣言，基于需要手动输入谣言特定关键词的现有技术这可能比较困难。文章引入了一个新颖的方法建立社交媒体谣言和非谣言数据集。该方法包含3个主要步骤：（1）收集紧急情况发布的原微博，这样采样易管理人们评估。（2）收集关联每个原微博的会话，包括讨论原微博的回复。（3）收集采样的微博的人工标注。

谣言标注

先前的微博谣言故事的标注工作基于这些故事以前的识别，如通过总结和揭露谣言的媒体报告，定义每个谣言的一组相关关键词用于过滤微博。该方法能保证为每个谣言收集许多微博，但是不能保证收集的关联一个事件的故事的多样性。文章定义广泛涉及正在进行事件的关键词，不是谣言本身，但是有望引发谣言。获取事件集合后，工作集中在可视化一个事件相关的微博时间轴，可以在不必要知道先验知识的情况下识别故事集的谣言内容，期望产生一个更多样的集合。

  • 采用采样技术减少标注的微博数。有问题的信息直到被很多人传播和讨论后才成为谣言。基于这个假设，抽取超过给定数量转帖的微博。
  • 一条微博发布时可能不能总是可以判定故事是否是谣言。因此也收集原微博的回帖。
  • 为了方便标注任务，文章开发了一个工具&
最低0.47元/天 解锁文章
自动谣言检测综述分享——Automatic Rumor Detection on Microblogs: A Survey
weixin_41964296的博客
05-21 2961
谣言的传统定义来源于社会心理学[27]。也就是说，谣言是一种未经证实的说法，广泛传播，其真实价值未经证实或故意虚假。在这个定义下，一般的谣言被认为是一条信息，其真实性未经验证。未经证实的谣言是指未经权威或可信来源官方证实的信息，例如权威新闻机构或现场目击者。一般的谣言包括客观谣言和主观谣言。在不同的场景中，最好采用不同的定义。在社交媒体上，一般谣言经常被用来监控公众对争议事件的看法[28]。一般的谣言可能是名人的八卦，也可能是一种诽谤政治对手的竞选策略[4]，它吸引人们传播故事，而不是查明其真实性。
谣言检测论文分享（八）A Survey on Fake News and Rumour Detection Techniques
weixin_41964296的博客
06-05 1372
主要介绍开展谣言检测或假新闻检测的背景和研究意义。社交媒体在新闻传播中具有突出作用。一方面新闻记者可能会利用社交媒体报道公众对突发新闻事件的看法，甚至发现潜在的新故事；另一方面，公民可能会通过官方渠道(即新闻机构在社交媒体平台上的官方账号)或通过自己的网络(如朋友、家人、公众人物)的帖子来关注突发新闻和事件的发展。然而对帖子缺乏控制和事实核查使社交媒体成为传播未经证实和/或虚假信息的沃土[111]。人们经常发布或分享他人的帖子，既不验证消息来源，也不验证信息的有效性和可靠性。
谣言检测(RDCL)——《Towards Robust False Information Detection on Social Networks with Contrastive Learning
虚幻私塾
11-02 1494
需要对 每个特征向量 zim,zjm,zneg zmi,zmj,zneg z_{m}^{i}, z_{m}^{j},z_{\text {neg }} 使用 l2l2l_2 normalization。因此，如果能够增加图级空间中样本对之间的距离，它将提供更大的梯度信号，从而增加模型的学习难度，提高对比学习的质量。Figure 5 说明，由 HPG 生成的数据增强图，他们之间的相似度小于其他数据增强方法，那么损失函数 SSL 会加大对模型的惩罚，提高对比学习的质量。
谣言检测数据集
qq_40671063的博客
12-31 9703
谣言检测数据集
【深度学习:实战篇】--PyTorch+Transformer谣言检测系统
最新发布
我是个好人呀，????
04-08 857
​​训练阶段​​：从原始文本数据构建字符级词汇表，训练Transformer模型​​预测阶段​​：加载训练好的模型对新的文本数据进行分类​​核心创新点​​：使用字符级输入（而非单词级）和轻量化Transformer架构，适合小规模数据集技术架构​​模块技术选型说明​​数据预处理​​pandaspickle字符级词汇表构建、序列填充​​模型架构​​PyTorchTransformer编码器 + 位置编码​​训练控制​​Adam优化器动态学习率与早停机制​​部署预测​​模型序列化（
谣言检测常用数据集汇总
zly_Always_be的博客
12-15 5876
谣言检测常用数据集汇总
论文阅读-社交媒体上的谣言检测：数据集、方法和机会
qq_40671063的博客
12-30 7162
论文阅读-社交媒体上的谣言检测：数据集、方法和机会
虚假新闻检测数据集
12-29 7426
1.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 ...
双向图卷积网络在社交媒体谣言检测中的应用
在第34届AAAI人工智能会议上（AAAI-20），研究人员提出了"社交媒体上的谣言检测：双向图卷积网络"（Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks）这篇论文。随着社交媒体的...
【前沿 热点 顶会】AAAI 2025中与目标检测有关的论文
A_Student10000的博客
12-23 5434
AAAI 2025中与目标检测有关的论文，包括3D目标检测、Radar目标检测、域适应、通用目标检测等话题。
rLDS_AAAI2015:用于学习正则化线性动力学系统的Matlab代码。 相关研究工作发表在AAAI 2015上。在此处查看我们的论文
05-06
用于学习正则化线性动力学系统的Matlab代码 该代码包含具有两个不同正则化（核范数和组套索）的正则化线性动力学系统（rLDS）的学习过程。... AAAI关于人工智能的会议}，第= {2015}卷，第= {1798-1804}页，年= {2015}}
RumorDetection
05-09
论文发布的源代码： 袁纯元，马干文，周伟，韩继中，胡松林。 联合嵌入异构图的局部和全局关系以进行谣言检测。 在第19届IEEE数据挖掘国际会议上，IEEE ICDM 2019。 依存关系： Gensim == 3.7.2 杰巴== 0.39 Scikit学习== 0.21.2 火炬== 1.4.0 数据集 主目录包含微博数据集和两个Twitter数据集的目录：twitter15和twitter16。 在每个目录中，有： twitter15.train，twitter15.dev和twitter15.test文件：此文件以以下格式提供训练，开发和测试示例：“源tweet ID \ t源tweet内容\ t标签” twitter15_graph.txt文件：该文件以以下格式提供源发布树的内容：'源tweet ID \ t userID1：weight1 userID2：weigh
谣言检测基本知识
qq_45193988的博客
05-23 2812
文章目录前言一、谣言的定义二、谣言的分类三、谣言传播公式1、网络剪枝（Network Pruning）2、知识蒸馏（Knowledge Distillation）3、参数量化（Parameter Quantization）4、架构设计（Architecture Design）5、动态计算(Dynamic Computation)总结 前言    简单记录一下有关谣言检测的基本知识 一、谣言的定义     谣言，学术上所说的谣言指的是未经证实的言论（这和我们普遍意义上理解的，谣言是虚假的信息不同）
谣言检测论文分享（七）A Survey on Natural Language Processing for Fake News Detection
weixin_41964296的博客
06-01 685
首先揭示了自动假新闻检测的重要性和定义。然后比较和讨论了最新的基准数据集和不同方法的实验结果。在此基础上，该文对未来的假新闻检测数据集提出了新的建议，并对未来的假新闻检测模型提出了以下建议:研究手工特征是否可以与神经网络模型结合、非文本数据的合理使用以及扩展基于内容的验证方式。
今日 Paper | 社交媒体谣言检测；连续手语识别；细粒度服装相似性学习；混合图神经网络等
喜欢打酱油的老鸟
02-20 1089
2020-02-18 15:43 目录 基于双向图卷积神经网络的社交媒体上谣言检测 用于连续手语识别的时空多线索网络 基于属性特定嵌入网络的细粒度服装相似性学习 混合图神经网络在人群计数中的应用 使用卫星图像中的目标检测生成可解释的贫困地图 基于双向图卷积神经网络的社交媒体上谣言检测 论文名称：Rumor D...
通过人群响应进行中文谣言检测（IEEE2014）
ABCD2010014357的博客
08-25 1930
Rumors Detection in Chinese via Crowd Responses 通过群众响应进行中文谣言检测（IEEE2014）不同于之前的使用微博固有的特征进行检测谣言的研究，本文转移前提，关注于通过从特定社会事件的群众响应：转帖和评论提取特征识别事件谣言。文章中，使用文本分析和自然语言处理技术分析转帖和评论文本来自动划分错误信息和有效信息。
谣言数据集链接
heartxq的博客
09-09 5391
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 Detection BuzzFeedNews 链接：https://github.com/BuzzFeedNews.
谣言检测论文分享（九）LIAR数据集
weixin_41964296的博客
06-14 1583
POLITIFACT.COM上收集了长达十年的12.8K的各种语境下的人工标记简短语句，该网站为每个案例提供了详细的分析报告和源文档链接包括12,836个简短陈述，根据真实性、主题、上下文/地点、演讲者、州、政党和之前的历史进行标记。具有如此大的容量和十年的时间跨度，说谎者比目前可用的资源要大一个数量级(Vlachos和Riedel, 2014;Ferreira和Vlachos, 2016)的相似类型。
谣言止于智者：基于深度强化学习的谣言早期检测模型
Paper weekly
05-17 3547
「论文访谈间」是由 PaperWeekly 和中国中文信息学会社会媒体处理专委会（SMP）联合发起的论文报道栏目，旨在让国内优质论文得到更多关注和认可。谣言一般是指未经...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值