基于神经网络的微博虚假消息识别模型

doi:10.3969/j.issn.1671-1122.2017.09.031

信息网络安全 ›› 2017, Vol. 17 ›› Issue (9): 134-137.doi: 10.3969/j.issn.1671-1122.2017.09.031

基于神经网络的微博虚假消息识别模型

段大高¹, 谢永恒³, 盖新新¹, 刘占斌²()

1.北京工商大学, 北京 100048
2. 信息网络安全公安部重点实验室, 上海 200031
3. 北京锐安科技有限公司,北京100192

收稿日期:2017-08-01 出版日期:2017-09-20 发布日期:2020-05-12
作者简介:
作者简介：段大高（1976—） ,男,湖南,副教授,博士,主要研究方向为多媒体数据挖掘;谢永恒（1972—）,男,湖北,硕士,主要研究方向为大数据分析与挖掘、网络空间安全;盖新新（1988—）,女,河北,硕士研究生,主要研究方向为数据挖掘;刘占斌（1981-）,男,辽宁,助理研究员,硕士,主要研究方向为信息网络安全、电子数据取证。
基金资助:
教育部人文社会科学研究青年基金[13YJC860006];信息网络安全公安部重点实验室（公安部第三研究所）开放课题[C17600]

A Rumor Detection Model Based on Neural Network

Dagao DUAN¹, Yongheng XIE³, Xinxin GAI¹, Zhanbin LIU²()

1. Beijing Technology And Business University, Beijing 100048, China
2. Key Lab of Information Network Security of Ministry of Public Security, Shanghai 200031, China
3. Run Technologies Co, Ltd, Beijing 100192, China

Received:2017-08-01 Online:2017-09-20 Published:2020-05-12

摘要/Abstract

摘要：

文章提出一种融合博主属性和微博消息文本特征的神经网络识别模型。首先根据博主信息获取博主特征：博主类别、博主活跃度、博主好友值、博主粉丝值、博主消息原创比;接着基于word2vec得到微博文本表征向量,并利用并行卷积人工神经网络提取文本特征,根据语义内容得到文本的特征表示;最后构建BP神经网络识别模型,融合微博文本的语义属性和微博博主的自身属性,作为识别模型的多元特征输入,利用BP神经网络识别微博消息。

关键词: 虚假消息识别, 神经网络, 微博消息, 深度学习

Abstract:

This paper proposes a blogger and micro-blog fusion attribute message text feature neural network recognition model. First, according to characteristics of blogger information: blogger category, blogger activity, blogger friends, fans, bloggers original news.Then micro-blog text representation vectors based on word2vec, and extracted the text feature by parallel convolutional neural network, according to the semantic content of text feature representation.Finally building BP neural network rumor detection model, the integration of micro-blog text semantic and micro-blog blogger as the model’s multi-feature to identify micro-blog news.

Key words: rumor detection, neural network, Weibo, deep learning

中图分类号:

TP399

段大高, 谢永恒, 盖新新, 刘占斌. 基于神经网络的微博虚假消息识别模型[J]. 信息网络安全, 2017, 17(9): 134-137.

Dagao DUAN, Yongheng XIE, Xinxin GAI, Zhanbin LIU. A Rumor Detection Model Based on Neural Network[J]. Netinfo Security, 2017, 17(9): 134-137.

图/表 2

参考文献 14

[1]	FLANAGIN,ANDREW J, MIRIAM J M.Perceptions of Internet Information Credibility[J]. Journalism and Mass Communication Quarterly, 2010,77(3):515-540.
[2]	CARLOS C, MARCELO M,BARBARA P.Information Credibility on Twitter[C]// ACM . 20th International Conference on World Wide Web,March 28 - April 1, 2011,Hyderabad, India. New York:ACM, 2012:675-684.
[3]	MANISH G, ZHAO P X,HAN J W. Evaluating Event Credibility on Twitter[EB/Ol]. ,2017-4-15.
[4]	MENDOZA M,POBLETE B,CASTILLO C.Twitter Under Crisis: Can We Trust What We RT?[C]// ACM.1st Workshop on Social Media Analytics (SOMA'10), July 25 - 28, 2010,Washington D.C., District of Columbia .New York:ACM, 2010: 71-79.
[5]	CANINI K R, SUH B,PIROLLI P L.Finding Credible Information Sources in Social Networks Based on Content and Social Structure[C]//ACM. 2011 IEEE International Conference on Privacy, Security, Risk, and Trust, and IEEE International Conference on SocialComputing, October 9-11,2011, Boston, MA, USA. New York:ACM, 2011:1-8.
[6]	MORRIS M R,COUNTS S,HOFF A,et al.Tweeting is Believing? Understanding Microblog Credibility Perceptions[C]//ACM.ACM 2012 conference on Computer Supported Cooperative Work, February 11 - 15, 2012,Seattle, Washington, USA. New York:ACM, 2013:441-450.
[7]	RAVIKUMAR S, BALAKRISHNAN R, KAMBHAMPATI S.Ranking Tweets Considering Trust and Relevance[C]//ACM.Proceedings of the Ninth International Workshop on Information Integration on the Web, May 20 , 2012 ,Scottsdale, Arizona, USA. New York:ACM, 2012: 4-8.
[8]	GUPTA A,KUMARAGURU P.Credibility Ranking of Tweets During High Impact Events[C]//ACM.Proceedings of the 1st Workshop on Privacy and Security in Online Social Media, April 17 , 2012,Lyon, France.New York:ACM, 2012: 2-9.
[9]	张天宇, 林鸿飞. 多元表征军事信息可信度研究[J]. 计算机工程与科学, 2011.33(9):109-116.
[10]	汤志伟, 彭志华, 张会平. 公共危机中网络新闻可信度影响因素的结构方程模型研究[J]. 情报杂志, 2010(4):36-40.
[11]	钟诚, 赵志峰, 姚高峰. 语义环境中信息可信度计算方法研究[J]. 情报理论与实践, 2012(1):103-105.
[12]	贺刚,吕学强,李卓,等.微博谣言识别研究[J].图书情报工作,2013(23):114-120.
[13]	蒋盛益,陈东沂,庞观松,等. 微博信息可信度分析研究综述[J].图书情报工作, 2013(12):136-142.
[14]	罗梁,王文贤,钟杰,等. 跨社交网络的实体用户关联技术研究[J]. 信息网络安全,2017(2):51-58.

[1]	王蓉, 马春光, 武朋. 基于联邦学习和卷积神经网络的入侵检测方法[J]. 信息网络安全, 2020, 20(4): 47-54.
[2]	谢永恒, 冯宇波, 董清风, 王梅. 基于深度学习的数据接入方法研究[J]. 信息网络安全, 2019, 19(9): 36-40.
[3]	冯文英, 郭晓博, 何原野, 薛聪. 基于前馈神经网络的入侵检测模型[J]. 信息网络安全, 2019, 19(9): 101-105.
[4]	陈冠衡, 苏金树. 基于深度神经网络的异常流量检测算法[J]. 信息网络安全, 2019, 19(6): 68-75.
[5]	马春光, 郭瑶瑶, 武朋, 刘海波. 生成式对抗网络图像增强研究综述[J]. 信息网络安全, 2019, 19(5): 10-12.
[6]	刘敬浩, 毛思平, 付晓梅. 基于ICA算法与深度神经网络的入侵检测模型[J]. 信息网络安全, 2019, 19(3): 1-10.
[7]	方勇, 朱光夏天, 刘露平, 贾鹏. 基于深度学习的浏览器Fuzz样本生成技术研究[J]. 信息网络安全, 2019, 19(3): 26-33.
[8]	杨威超, 郭渊博, 钟雅, 甄帅辉. 基于设备型号分类和BP神经网络的物联网流量异常检测[J]. 信息网络安全, 2019, 19(12): 53-63.
[9]	朱海麒, 姜峰. 人工智能时代面向运维数据的异常检测技术研究与分析[J]. 信息网络安全, 2019, 19(11): 24-35.
[10]	龙敏, 龙啸海, 马莉. 基于深度卷积神经网络的指纹活体检测算法研究[J]. 信息网络安全, 2018, 18(6): 28-35.
[11]	和湘, 刘晟, 姜吉国. 基于机器学习的入侵检测方法对比研究[J]. 信息网络安全, 2018, 18(5): 1-11.
[12]	马晨曦, 陈兴蜀, 王文贤, 王海舟. 基于递归神经网络的中文事件检测[J]. 信息网络安全, 2018, 18(5): 75-81.
[13]	任浩, 罗森林, 潘丽敏, 高君丰. 基于图结构的文本表示方法研究[J]. 信息网络安全, 2017, 17(3): 46-52.
[14]	夏玉明, 胡绍勇, 朱少民, 刘丽丽. 基于卷积神经网络的网络攻击检测方法研究[J]. 信息网络安全, 2017, 17(11): 32-36.
[15]	GULKhanSafiQamas, 尹继泽, 潘丽敏, 罗森林. 基于深度神经网络的命名实体识别方法研究[J]. 信息网络安全, 2017, 17(10): 29-35.

基于神经网络的微博虚假消息识别模型

A Rumor Detection Model Based on Neural Network

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 2

参考文献 14

相关文章 15

编辑推荐

Metrics

本文评价