ICE：基于表示学习的社交媒体信息可信度评估
社会与信息网络
2016-10-25 v4 人工智能
摘要
随着社交媒体的快速增长，谣言也在社交媒体上广泛传播，给人们的日常生活带来危害。如今，信息可信度评估已引起学术界和工业界的关注。当前方法主要集中于特征工程，并取得了一些成功。然而，基于特征工程的方法需要大量人力，且无法完全揭示数据间的潜在关系。在我们看来，评估可信度的用户行为关键要素可归结为“谁”、“什么”、“何时”和“如何”。这些现有方法无法对微博传播过程中不同关键要素之间的相关性进行建模。本文提出一种新颖的表示学习方法——信息可信度评估（ICE），以学习社交媒体上信息可信度的表示。在 ICE 中，学习潜在表示以建模用户可信度、行为类型、时间属性和评论态度。这些因素在微博传播过程中的聚合产生了用户行为的表示，而这些动态表示的聚合则生成了社交媒体上事件传播的可信度表示。此外，应用成对学习方法最大化谣言与非谣言之间的可信度差异。为评估 ICE 的性能，我们在新浪微博数据集上进行了实验，实验结果表明我们的 ICE 模型优于最先进的方法。
引用
@article{arxiv.1609.09226,
title = {ICE: Information Credibility Evaluation on Social Media via Representation Learning},
author = {Qiang Liu and Shu Wu and Feng Yu and Liang Wang and Tieniu Tan},
journal= {arXiv preprint arXiv:1609.09226},
year = {2016}
}
备注
IEEE Transactions on Information Forensics and Security (TIFS), under review