Twitter扩散网络的拓扑比较有效揭示误导信息

近年来，社交媒体中恶意信息呈爆发式增长，引发了严重的社会与政治反弹。近期以大规模分析为特征的若干重要研究深化了对此现象的认识，表明在社交媒体上误导信息比真实信息传播得更快、更深、更广，其中回声室、算法偏差与人类偏差在扩散网络中扮演重要角色。循此方向，我们探索仅基于扩散网络的拓扑分析对社交媒体上传播的新闻文章进行分类的可能性。为此，我们收集了Twitter上关于两类不同来源新闻文章的大型扩散网络数据集：一类是传播主流、可靠且客观信息的媒体，另一类是编造并传播各类误导文章（包括意图伤害的假新闻、引人发笑的讽刺文、可能完全属实的点击诱饵新闻以及未经证实的谣言）的媒体。我们使用多种无对齐方法（包括基本网络属性、中心性度量分布与网络距离）对这些网络进行了广泛比较，并据此评估这些技术能在多大程度上区分与上述新闻领域相关的网络。我们的结果强调，相较于分享误导新闻的用户，传播主流新闻的用户群体倾向于形成具有细微但系统性差异的扩散网络，这些差异可有效用于识别误导性与有害信息。