微網絡環(huán)境中謠言識別機制研究.pdf

1、微博、微信等社交平臺的廣泛應用縮短了信息傳播周期、擴大了信息傳播范圍，使得謠言造成的影響與危害變得更大，如何識別、進而阻斷謠言成為信息傳播領域的熱點問題。本文基于最大熵模型、改進的最大熵模型和謠言的爆炸性，構建了微網絡環(huán)境中謠言信息的識別機制。
　　本文主要進行了以下四項工作：
　　第一，將最大熵模型用于謠言識別，并根據謠言的特點確定特征函數，設計實驗的訓練集，并在不同特征數量下進行了實驗，找到了最適合謠言識別的特征數量。通

2、過與支持向量機模型、BP-神經網絡模型、貝葉斯模型和K-means算法的謠言識別結果的比較證明，基于最大熵模型的謠言識別準確率與貝葉斯模型和K-means算法相當，仍有改進空間。
　　第二，改進了最大熵模型，提高了謠言識別的準確率。提出了一種新的樣本構建方法：中心距離裁剪法，用來解決非平衡數據分類問題中的邊界模糊和孤立樣本的問題。該方法用帶有權重的向量來表示每一條信息，并用向量之間的距離表示信息的相似度，利用樣本信息到每一類信息中

3、心的距離來定義孤立點，裁剪邊界樣本。該方法解決了原始樣本孤立點多和邊界模糊的問題。
　　提出了一種全新的特征選擇方法：差異計算法。該方法充分考慮到了特征出現次數對謠言識別的影響，也充分考慮了在謠言和非謠言兩類信息中出現都較多的特征的參考價值較低這一問題，在此基礎上計算每個特征的差異值DC(f)，并根據差異值對特征進行排序，選擇差異值最大的n個特征用于謠言識別。同時，對最大熵模型的特征函數進行改進，使最大熵模型更適合謠言識別。

4、>　　在構建了基于改進的最大熵模型的謠言識別機制后，本文進行了謠言識別實驗，在實驗設計中，對訓練集的選取進行了改進，并用中心距離裁剪法進行優(yōu)化，通過實驗找到了微網絡環(huán)境中進行謠言識別的最佳特征數量。將改進后與改進前的最大熵模型實驗結果進行了比較，并且與支持向量機模型、BP-神經網絡模型、貝葉斯模型和K-means算法的謠言識別結果進行了對比。實驗結果表明，通過優(yōu)化的訓練集和特征函數的謠言識別效果明顯優(yōu)于優(yōu)化之前，并且識別準確率優(yōu)于其他相