识别Twitter上可能的谣言传播者：一种弱监督学习方法
人工智能
2021-07-07 v2
摘要
Twitter、Facebook等在线社交媒体（OSM）平台被这些平台的用户广泛利用，以轻松快捷的方式向大量受众传播（错误）信息。已观察到错误信息可对社会造成恐慌、恐惧与经济损失。因此，在此类平台中于其扩散至大众前检测并控制错误信息十分重要。本工作中，我们关注谣言，其为错误信息的一种类型（其他类型如假新闻、骗局等）。控制谣言传播的一种方式是识别可能为谣言传播者的用户，即经常参与传播谣言的用户。由于缺乏谣言传播者标注数据集（此为昂贵任务），我们使用公开可用的PHEME数据集，其包含谣言与非谣言推文信息，然后应用弱监督学习方法将PHEME数据集转化为谣言传播者数据集。在应用多种监督学习方法前，我们利用三类特征，即用户、文本与自我网络特征。特别地，为利用该数据集中的固有网络属性（用户-用户回复图），我们探索图卷积网络（GCN），一种图神经网络（GNN）技术。我们将GCN结果与其它方法：SVM、RF与LSTM进行比较。在谣言传播者数据集上进行的广泛实验（其中F1分数达0.864、AUC-ROC达0.720）显示了我们利用GCN技术识别可能谣言传播者方法的有效性。
引用
@article{arxiv.2010.07647,
title = {Identifying Possible Rumor Spreaders on Twitter: A Weak Supervised Learning Approach},
author = {Shakshi Sharma and Rajesh Sharma},
journal= {arXiv preprint arXiv:2010.07647},
year = {2021}
}
备注
Published at The International Joint Conference on Neural Networks 2021 (IJCNN2021). Please cite the IJCNN version