基于表示学习的网络文本谣言的传播预测

摘要

随着信息时代的来临，社交网络在成为人们快速获取和分享各种信息的渠道的同时，也为网络谣言的传播提供了温床。社交网络谣言具有传播速度快、杀伤力大的特点，如何有效地预测谣言传播对于控制谣言的扩散至关重要。近年来，学术界和工业界提出了各种关于网络谣言传播的预测方法，这些方法具有不错的效果，但同时也有种种不足。本文总结了现有方法的优缺点，并基于此提出了一种基于表示学习和深度神经网络的网络谣言传播预测方法。 本文的主要工作如下: 1)改进一种用户社交内容特征的表示学习方法。将用户发布的社交内容当成一篇“文章”，抽取文章中的关键词序列以去除社交内容的噪点，只保留用户的主要社交兴趣。之后，使用doc2vec算法通过“文章”的关键词序列来学习用户的社交内容特征表示。最终，一个用户的社交内容特征可以仅用一个低维稠密实值向量表示。 2)改进一种用户社交结构特征的表示学习方法，使用户节点能够同时学习显式的关注关系结构特征和隐式的语义关系结构特征。首先通过用户与实体的关联关系将社交网络和知识图谱连接起来，之后使用KI(Katz Index)系数计算用户节点之间的关联程度，并得到一个新的社交网络邻接矩阵。最后，使用node2vec算法学习用户的社交结构特征。最终，一个用户的社交结构特征可以用一个低稠密实值向量表示。 3)设计了多种特征来表示用户的社交行为，包括社交行为频率、时间分布以及与周围邻居节点的交互特征等。之后，使用栈式自编码器对人工特征表示进行无监督训练，最终得到编码后的表示用户社交行为特征的低维向量。 4)提出了一种基于神经网络的谣言传播预测模型。传统的卷积神经网络(CNN)无法有效的表达诸如社交网络、知识图谱这类拓扑图的结构特征。本文使用一种改进的卷积神经网络——图卷积网络(GCN)来实现网络谣言的传播预测。本文将学习得到的多种用户社交特征组合拼接，作为用户特征向量输入到图卷积网络中，利用社交网络中已知传播行为的用户节点来预测其余用户节点的传播行为。 实验表明，本文提出的基于表示学习和深度神经网络的谣言传播预测模型能够很好地预测用户的谣言转发行为，较于传统方法在性能上有着不错的提升。对于当前社会环境下有效的抵御谣言传播有着良好的应用价值。

目录

声明

摘要

1绪论

1．1背景和意义

1．2国内外研究现状

1．2．1 信息流行度预测研究

1．2．2 用户转发行为预测研究

1．2．3 信息传播路径预测研究

1．3 论文主要工作与结构

2相关理论和技术

2．1知识图谱

2．2表示学习

2．2．1 文本表示学习

2．2．2 网络表示学习

2．2．3 知识表示学习

2．3本章小结

3多重用户社交特征表示学习

3．1预处理

3．2用户社交内容特征表示学习

3．3用户社交结构特征表示学习

3．3．1基于知识图谱的用户关联程度计算

3．3．2基于node2vec的结构特征表示学习

3．4用户社交行为特征表示学习

3．4．1人工特征设计

3．4．2 基于SAE的人工特征编码

3．5本章小结

4基于图卷积网络的网络谣言传播预测

4．1图卷积网络

4．2模型整体结构

4．3模型的训练

4．4本章小结

5实验结果及其分析

5．1数据标注和预处理

5．1．1 社交网络数据集

5．1．2知识图谱数据集

5．1．3数据标注

5．1．4数据预处理

5．2实验环境和评估方法

5．3实验设计与结果分析

5．3．1 与基准方法对比实验

5．3．2 社交内容特征表示学习有效性验证实验

5．3．3 社交结构特征表示学习有效性验证实验

5．3．4 基于不同参数的对比实：验

5．3．5 基于不同特征组合的对比实验

5．4本章小结

6结论与展望

6．1本文工作的总结

6．2后续工作的展望

参考文献

攻读硕士期间发表的科研成果

致谢