面向在线社会网络的谣言自动识别与干预机制研究

Online social networks promote the dissemination of information, which has great met people’s demand on information exchange. However, due to their anonymity and openness, online social networks become the worst-hit of Internet rumors. Internet rumors have greatly affected the social harmony and stability, and also affected public interest and safety. Therefore, it is urgent to eliminate Internet rumors, clean cyber space and cultivate a civilized and rational network environment. However, due to the complexity of propagation laws and confusing contents of Internet rumors, the identification of Internet rumors faces serious scientific and technological challenges. Therefore, towards online social networks, this project aims to study the profiling and behavioral modelling of Internet users, explore the fundamental modes and inherent laws of rumor propagation, and further research into the models and algorithms for automatically identifying rumors based on user profiles, propagation modes, propagation networks, and rumor contents. It finally designs effective influence maximize algorithms for anti-rumor information and effective mechanism for rumor intervention, in order to provide key technology, algorithms and tools for removing Internet rumors and cleaning up cyberspace, and make necessary contributions to improving the scientific management of cyberspace and the power to making effective use of cyberspace.

在线社会网络促进了信息的传播，使人们信息交流的需求得到了极大程度的满足。然而，由于网络的隐匿性和开放性使得在线社会网络成了谣言的重灾区。网络谣言大大影响了社会的和谐稳定，也影响着公众利益和公共安全。因此，亟需消除网络谣言，净化网络空间，培育文明理性的网络环境。然而，由于网络谣言传播规律的复杂性、内容的迷惑性使得谣言的识别面临着严峻的科学技术挑战。为此，本项目面向在线社会网络，研究网络用户画像与行为建模，探索谣言传播的基本模式和内在规律，进而研究基于用户特征、传播模式、传播网络与信息内容的谣言自动识别模型与算法，设计有效的辟谣信息影响最大化算法和谣言干预机制，为网络谣言的清理与网络空间的净化提供关键技术与算法工具，为有效提高我国对网络空间的科学管理水平和有效利用能力做出必要的贡献。

由于网络谣言传播规律的复杂性、内容的迷惑性使得谣言的识别面临着严峻的挑战。为此，本项目面向在线社会网络，深入研究了谣言的自动识别与干预机制。具体地，在基础理论方面，探索了谣言传播的基本模式和内在规律，研究了网络用户的传播行为建模。在关键技术方面，基于传播结构、传播时序、传播用户与传播内容四个不同维度的特征，提出了HybridF+DF和HybridFSVM+DF两个新的谣言识别模型，并在不同数据集上验证其比已有算法模型更优的性能；针对已有模型难以刻画谣言和非谣言传播过程中不同特征的动态变化，而且缺乏实时性的问题，提出了两个基于深度学习的谣言早期识别模型--CUSLSTM和CUSMAXLSTM，传播3小时后的识别准确率超过90%，比新浪微博对谣言信息的平均处理时间缩短4个小时；为了研究谣言的干预与抑制机制，本项目研究了竞争性信息的传播过程并提出了竞争信息的传播模型ICSIS，进而对辟谣信息的发布时间以及发布辟谣信息的节点特征对谣言抑制效果的影响进行了深入研究。上述研究成果为网络谣言的清理与网络空间的净化提供了模型工具与关键技术，对网络空间的科学管理提供了一定的理论基础。本项目资助出版学术著作1部，发表论文41篇，其中IEEE TKDE、IPM、KAIS、软件学报等国内外期刊文章22篇，AAAI、WWW、EMNLP、CIKM、ACL等会议文章19篇；培养博士、硕士研究生12名，其中2名博士生、4名硕士生已毕业。此外，项目负责人获得2017年度国家科技进步二等奖。