【技术实现步骤摘要】
基于表示学习的网络谣言传播控制方法
本专利技术属于社交网络谣言信息控制
，特别涉及一种基于表示学习的网络谣言传播控制方法。
技术介绍
网络谣言集中在信息爆炸的时代，其存在严重扰乱了社会秩序。新一代的社交信息传播技术促进了信息快速共享和大规模的信息级联，且由于网络谣言自身的隐蔽性、突发性、传播分散性，往往在短时间内就能快速扩散影响，甚至比真实的信息传播更快、影响更广。因此，对网络谣言的内在传播规律的分析与控制的研究，在引导正确的舆论、遏制谣言传播、维护社会稳定等方面都有重大的意义。只要能得到一个更精准的谣言话题下用户转发预测模型，就可以对网络谣言的传播规律进行更准确地分析与控制。现阶段，在社交网络中引发的网络舆情越来越多，对网络舆情的分析也逐渐成为研究热点。其主要研究在用户影响力、信息传播、用户转发等方向有不同程度的探索。所使用的方法包括基于文本的分析、基于用户影响力的分析和基于网络结构的分析等。在针对谣言话题的用户转发预测中，多数研究主要以影响力为切入点，结合用户自身属性特点进行用户转发预测及话题演化分析。
【技术保护点】
1.基于表示学习的网络谣言传播控制方法，其特征在于，包括以下步骤：/nS1、获取当前时刻的原始数据作为训练数据，对训练数据进行预处理，并对预处理后的原始数据进行时间分片；/nS2、基于用户社交结构、用户历史信息、用户基本属性，分别提取用户社交结构、用户历史信息、用户基本属性三个方面的相关属性向量，并将相关属性转换为3个长度相同到的低位稠密实质向量；/nS3、构建图卷积神经网络，并将特征向量作为图卷积神经网的输入；/nS4、利用训练数据对图卷积神经网络进行训练；/nS5、图卷积神经网络输出下一个时刻用户的粉丝参与话题的概率、该粉丝参与谣言的概率以及该粉丝参与辟谣话题的概率；/...
【技术特征摘要】 【专利技术属性】
1.基于表示学习的网络谣言传播控制方法，其特征在于，包括以下步骤：
S1、获取当前时刻的原始数据作为训练数据，对训练数据进行预处理，并对预处理后的原始数据进行时间分片；
S2、基于用户社交结构、用户历史信息、用户基本属性，分别提取用户社交结构、用户历史信息、用户基本属性三个方面的相关属性向量，并将相关属性转换为3个长度相同到的低位稠密实质向量；
S3、构建图卷积神经网络，并将特征向量作为图卷积神经网的输入；
S4、利用训练数据对图卷积神经网络进行训练；
S5、图卷积神经网络输出下一个时刻用户的粉丝参与话题的概率、该粉丝参与谣言的概率以及该粉丝参与辟谣话题的概率；
S6、若该用户参与谣言的概率最大，则将辟谣消息推送给该用户。
2.根据权利要求1所述的基于表示学习的网络谣言传播控制方法，其特征在于，用户历史信息的相关属性向量的获取过程包括：
获取用户发布在社交网络发布的短文本以及用户在社交网络转发的内容；
将用户发布在社交网络发布的短文本以及用户在社交网络转发的内容拼接成一个文档作为该用户的社交信息语料库；
利用结巴分词对语料库中的句子进行分词并排除常用停用词后，获得关键词候选序列；
利用使用TF-IDF算法计算用户关键词权重，提取权重最大的N个关键词；
使用Doc2vec方法，将该权重最大的N个关键词转化成向量，作为该用户的用户历史信息的相关属性向量。
3.根据权利要求1所述的基于表示学习的网络谣言传播控制方法，其特征在于，用户社交网络结构的相关属性向量的获取过程包括：
根据用户活跃度、用户历史转发率和用户信息感知率建立用户内部影响因素；
根据好友带动力、信息传播影响力建立用户外部影响因素；
基于多元线性回归算法，根据内部影响因素和外部影响因素分别构建谣言消息影响力和辟谣消息影响力；
利用利用演化博弈理论度量对谣言消息和辟谣消息的影响力进行优化；
根据优化后各个用户之间的形象力建立用户关联矩阵；
利用Node2vec方法将用户关联矩阵训练成向量，该向量即为用户社交网络结构的相关属性向量。
4.根据权利要求3所述的基于表示学习的网络谣言传播控制方法，其特征在于，所述利用演化博弈理论度量对谣言消息和辟谣消息的影响力进行优化包括将谣言消息影响力与用户的邻接用户中转发谣言消息比例之积作为用户转发谣言消息的收益、将辟谣消息影响力与用户的邻接用户中转发辟谣消息的比例之积作为用户转发辟谣消息的收益，基于演化博弈理论，获取优化的谣言消息和辟谣消息的影响力，表示：
技术研发人员：肖云鹏，杨秋帆，卢星宇，李暾，李茜，桑春艳，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。