基于同质性的传播过程以建模社交网络中的真实与虚假新闻

社交网络中发布和分享了数量庞大的真实与虚假新闻故事，用户基于多种因素扩散这些故事。新闻故事从一个用户向另一个用户的扩散不仅取决于故事的内容与真实性，还取决于用户之间主题兴趣的一致性。在本文中，我们提出了一种新颖的贝叶斯非参数模型，该模型将新闻故事的同质性作为调节发布用户与分享用户主题兴趣之间主题相似性的关键组成部分。我们的模型扩展了层次狄利克雷过程以建模新闻故事的主题，并引入贝叶斯高斯过程潜变量模型来发现同质性取值。我们在真实世界社交网络数据集上训练模型，发现与真实性标签及内容高度相关的新闻故事同质性取值。最后，我们表明我们模型的有监督版本在预测新闻故事标签方面优于最先进的神经网络与贝叶斯模型。