摘要
随着互联网的飞速发展，网络社交媒体因其传播迅速、方便快捷等优点逐渐成为人们获取信息的主要方式，人们可以更加及时地获取到各种信息，但随之而来的是谣言充斥在整个网络环境中，普通人无法分辨所有信息的真伪，很容易被迷惑轻信谣言并成为谣言的传播者。谣言的大规模传播不仅影响个人的日常生活，严重时会造成恐慌，影响社会的安定。面对这样的情况，网络谣言检测作为一种从根本上杜绝网络谣言的方法能够净化网络环境，降低网络谣言带来的危害，对个人和社会来说都具有十分重要的意义。 目前现有的网络社交媒体谣言检测方法都存在各种方面的问题。传统的模型通过人工构造特征来训练谣言分类器，这种方法十分依赖人工构造的特征的质量，无法达到很好的检测效果。基于深度学习的模型能够自动提取谣言的特征，大部分深度学习的方法考虑了谣言的文本特征和传播特征，但是因缺乏相关知识，无法对文本中某些实体进行准确的表示。在传播特征方面，只研究了事件从源头向下传播的过程，没有结合从底部向源头传播的过程，忽略了谣言传播的散布广度特征。针对现有网络社交媒体谣言检测方法中存在的问题，本文提出了一种基于知识图谱和图卷积网络的谣言检测方法。本文的主要研究内容和成果如下： 1.针对词嵌入方法无法对文本中某些实体进行准确地表示，本文提出了基于知识图谱的文本增强表示方法，利用知识图谱中结构化的先验知识针对文本中的实体进行嵌入表示，再通过词嵌入方法获得文本的词嵌入表示，最后将实体表示和词嵌入表示融合得到文本的增强表示，能够更加准确地对谣言文本进行表示，提升谣言检测的准确率。 2.根据谣言事件传播结构的研究，发现通过传播特征可以很好地帮助谣言检测任务的实现。本文通过剪枝操作和DropEdge策略构建了自顶向下和自底向上两个方向的传播图来表示事件的传播过程，然后将两个方向的传播图的邻接矩阵和节点特征矩阵输入到一个双向图卷积网络层提取谣言事件的传播特征和散布广度特征，使用拼接操作融合两种特征进行谣言检测。 3.传播节点中包含有大量有用信息，本文设计了包括节点文本特征和用户特征的节点特征，并考虑到根节点的源微博拥有最原始、最重要的信息，后续传播节点都是基于根节点内容进行传播的，并且随着传播的深入，根节点与不同层次的传播节点之间的联系逐渐减弱。结合传播的特点，本文设计了基于根节点的节点增强方法，将根节点的特征向量与传播节点的特征向量拼接达到增强的效果，并且引入了衰减因子控制每个节点的增强权重。增强后的节点能够更加准确地表示与根节点之间的联系，使得特征提取更加准确，提升模型的性能。 4.设计了对比实验，统计本文提出的模型与基准模型在谣言检测中的评价指标。通过不同模块之间的搭配组合设计了消融实验，验证了每个模块对模型性能提升的有效性。最后通过早期谣言检测实验，分析实验结果证明了本文模型能够在谣言发布后较短的时间内以较高的准确率检测出谣言。根据以上实验数据的结果表明，本文提出的网络社交媒体谣言检测模型在谣言检测任务中表现出了优秀的性能。
NETL