本技术提出基于双动态图卷积网络时空特征学习的网络谣言检测方法,该方法包括:将事件根据时间转化为预设个数的传播结构;通过传播结构构成用户交互图和信息传播图;利用卷积网络分别对用户交互图和信息传播图进行学习,得图特征;将上一层的图特征与下一层的根节点特征向量进行拼接,得到增强后图特征;通过时序融合单元,得到时序融合单元的输出特征;基于时序融合单元的输出特征进一步的到事件的最终特征;最后通过多层感知机,得到分类结果。本发明不仅能够全面捕捉信息传播和用户交互的时空特征,还能有效融合内容特征、传播特征和用户特征,提升谣言检测的精度,尤其在早期检测阶段表现出显著优势。
背景技术
社交网络的迅猛发展带来了信息传播方式的变革,然而随之而来的是网络谣言的传播问题。因此,研究和开发网络谣言检测技术,尤其是基于社交网络数据进行自动化谣言识别,已成为当前重要的研究课题。
现有的谣言检测方法大多侧重于文本内容分析,利用情感分析、关键词提取等技术从消息内容中识别谣言。然而,随着谣言散布者日益提高的信息伪装能力,单纯依赖内容特征已难以有效识别谣言。近年来,基于传播特征的谣言检测方法逐渐成为研究的热点。图神经网络(GNN)作为一种新兴的图结构数据处理方法,能够有效地学习网络中的传播结构特征,并在社交网络谣言检测中取得了较好的效果。
现有基于GNN的谣言检测方法,主要聚焦于图的空间结构特征,通过学习节点和边之间的关系来捕捉信息传播的路径。然而,这些方法大多忽视了信息传播的时序结构特征,无法充分考虑信息在传播过程中的时间演化和动态变化。此外,尽管已有部分研究尝试将时空特征结合起来,利用传播时序结构进行谣言检测,但这些方法往往忽略了用户交互的时空特征,未能充分挖掘用户间的互动模式对谣言传播的影响。
实现思路