使用深度学习和网络分析来识别假新闻和在传播中具有影响力的节点的多模式方法
Weiliang Zhang1,2, Meina Qian3, Qingfeng Zhang4
1Department of Global Convergence, Kangwon National University, Chuncheon-si, Gangwon-do, 24341, Korea.
Scientific reports
|February 18, 2026
概括
这项研究引入了一种结合深度学习和图形集群的新方法,以检测社交媒体谣言来源并预测其传播途径. 该技术有效地识别出有影响力的传播者和高准确度的谣言轨迹.
科学领域:
- 社交网络分析 社交网络分析
- 计算社会科学 计算社会科学
- 人工智能的人工智能
背景情况:
- 谣言在社交媒体上迅速传播,造成重大伤害.
- 识别谣言来源和传播模式对于减轻谣言至关重要.
- 现有的方法可能缺乏精确度,以有效地确定有影响力的节点.
研究的目的:
- 提出一种混合技术,用于检测谣言来源和预测社交网络中的传播途径.
- 提高在传闻传播中识别有影响力的用户的准确性和效率.
- 开发一种将深度学习与基于图形的聚类结合起来,用于谣言分析的方法.
主要方法:
- 一个两阶段的算法:谣言检测和有影响力的节点识别.
- 使用谣言传播率标准和GloVe进行内容特征提取.
- 采用深度神经网络进行谣言分类和新型集群用于社区检测.
主要成果:
- 拟议的方法有效地识别了社交网络中的谣言路径.
- 在识别目标数据方面实现了99%的平均准确性.
- 在识别传播谣言的有影响力的节点方面表现出0.99的精度.
结论:
- 混合深度学习和图形集群方法对于谣言来源检测和传播路径预测非常有效.
- 该方法准确地识别了传闻传播中的关键影响者.
- 这种技术为打击社交媒体平台上的错误信息提供了强有力的解决方案.
