在網(wǎng)絡信息日益增長的時代背景下,關于網(wǎng)絡謠言的監(jiān)管治理手段及立法也逐漸成為各學科領域研究的焦點之一。明確網(wǎng)絡謠言的相關定義,分析研究網(wǎng)絡謠言的特點,對更有效地甄別出網(wǎng)絡信息中的謠言有著重要作用。對網(wǎng)絡謠言的危害性進行等級劃分評估,也給網(wǎng)絡空間的治理提供了一定的技術支撐。本文主要以微博平臺作為研究對象,在總匯分析了現(xiàn)有網(wǎng)絡謠言相關研究的不足后,針對微博謠言的識別檢測與危害評估的方法展開了研究分析。主要內(nèi)容包括:第一,針對當前研究中缺少關于網(wǎng)絡謠言的明確定義的問題,結合傳播學中的5W模式給出了網(wǎng)絡謠言與微博謠言的定義,并對微博謠言的定義進行了形式化的描述。結合定義,構造并篩選出了適用于微博謠言識別的特征集,提出了一種基于Stacking集成學習的微博謠言識別模型。實驗結果表明,該微博謠言識別方法能夠有效地進行謠言識別,且在實際應用中的效果最好。第二,針對當前網(wǎng)絡謠言的相關評估主要是定性研究分析,較少進行定量分析,因而難以實現(xiàn)評估自動化的問題,在分析研究了前人所構建的輿情危機預警等級指標體系的基礎上,結合傳播學給出了網(wǎng)絡謠言危害性的評估指標體系,并采用模糊層次分析法對各個指標進行了權重分配。... 

【文章來源】：重慶郵電大學重慶市

【文章頁數(shù)】：81 頁

【學位級別】：碩士

【部分圖文】：

常用特征總匯S.Zamani等人[55]就是利用基于用戶特征和推特內(nèi)容的特征，對推特上波斯社區(qū)里的信息進行謠言檢測

重慶郵電大學碩士學位論文第4章微博謠言的危害性評估方法研究49由圖4.5可以看到，各算法的表現(xiàn)差異較大，BP神經(jīng)網(wǎng)絡算法的效果整體上看要最差，決策樹與隨機森林算法的評估結果較為接近。整體上看，各算法在不同事件中的表現(xiàn)差別不大，其中隨機森林(RF)、決策樹(DT)和梯度提升決策樹(GBDT)能較好地進行危害等級的評估劃分。因此，上述實驗結果能在一定程度上體現(xiàn)出本文所提出的微博謠言危害評估方法具有一定的可用性。5.謠言危害等級演化分析與建議為了更好地展示微博謠言的危害等級演化情況，分別將三個事件中的謠言信息所帶來的危害性進行了可視化的展示，并與知微事見①中的相關事件傳播趨勢圖進行了關聯(lián)，如圖4.6、圖4.7和圖4.8所示。圖4.6“楊醫(yī)生”事件謠言危害等級可視化展示由圖4.6中的事件傳播趨勢可以看到，事件在發(fā)展初期受到了廣大網(wǎng)民的關注，而隨著時間的推移，事件相關搜索熱度逐漸下降，慢慢淡出公眾視野。同時，該事件中的謠言危害等級逐漸上升，在第四天的時候到達峰值后開始回落。整體上看，搜索熱度與謠言危害等級一定程度上呈負相關關系，且謠言危害等級到達峰值的時間點與搜索熱度并不重合。事件的搜索熱度雖已到達峰值開始回落，事件相關的謠言所帶來的危害還在慢慢發(fā)酵、滲透民眾生活。由此可以說明，僅通過搜索熱度或關注度的變化判斷事件所帶來的負面影響是不夠準確的，且對于網(wǎng)絡謠言的相關防治也不能因公眾關注熱度的下降而松懈。①https://ef.zhiweidata.com/

重慶郵電大學碩士學位論文第4章微博謠言的危害性評估方法研究50圖4.7“新冠肺炎”事件謠言危害等級可視化展示由圖4.7可以看到，“新冠肺炎”事件的周期較長，其搜索熱度在前期上升比較明顯，后面隨著網(wǎng)民參與程度下降，搜索熱度也逐漸下降并趨于平穩(wěn)。整個事件過程中，謠言危害等級出現(xiàn)過兩次峰值，整體的等級危害程度也比“楊醫(yī)生”事件更高。在事件發(fā)生前期，謠言危害等級隨著搜索熱度的上升有所上升，但隨后二者呈反比關系。當搜索熱度趨于平穩(wěn)后，謠言危害等級整體上隨著搜索熱度的起伏而變化�！靶鹿诜窝住笔录慕Y果表明，對于容易產(chǎn)生謠言的民生話題來說，當事件整體熱度開始下降后，網(wǎng)民討論與關注的焦點也更容易集中在謠言信息上。圖4.8“社區(qū)火災”事件謠言危害等級可視化展示從圖4.8可以看出，在“社區(qū)火災”事件發(fā)生前期，網(wǎng)民的關注度上升較快但持續(xù)一天就開始回落，而謠言危害等級變化較緩，到第四天才出現(xiàn)峰值。相比于搜索指數(shù)，謠言危害等級的變化情況較為滯后。從整體上看，該事件的謠言危害

【參考文獻】：
期刊論文
[1]基于用戶特征分析的微博謠言早期檢測研究[J]. 尹鵬博,潘偉民,彭成,張海軍.  情報雜志. 2020(07)
[2]突發(fā)事件網(wǎng)絡謠言危機預警及模擬仿真研究[J]. 張鵬,蘭月新,李昊青,周穎.  現(xiàn)代情報. 2019(12)
[3]基于集成學習的文本情感分類方法[J]. 段吉東,劉雙榮,馬坤,孫潤元.  濟南大學學報(自然科學版). 2019(06)
[4]基于集成學習的情感模糊計算分類方法[J]. 劉磊,李學勇,黃永峰.  計算機工程與設計. 2018(07)
[5]基于系統(tǒng)動力學的突發(fā)事件網(wǎng)絡謠言治理研究[J]. 殷飛,張鵬,蘭月新,夏一雪,張琦,李增.  情報科學. 2018(04)
[6]當前網(wǎng)絡謠言的成因、性質(zhì)以及處罰的合理性——基于65個治安處罰案例[J]. 白凈,程子姣.  新聞愛好者. 2018(02)
[7]改進的組合優(yōu)化決策樹謠言判別方法研究[J]. 羅嗣卿,王佳玉,李冰珂.  計算機仿真. 2018(02)
[8]基于梯度提升決策樹的微博虛假消息檢測[J]. 段大高,蓋新新,韓忠明,劉冰心.  計算機應用. 2018(02)
[9]基于語義共現(xiàn)匹配的在線食品安全謠言相關文檔識別方法研究[J]. 陳燕方,周曉英,張璐.  情報理論與實踐. 2018(06)
[10]突發(fā)事件網(wǎng)絡謠言的蔓延機理及治理策略研究[J]. 張玉亮,賈傳玲.  情報理論與實踐. 2018(05)



本文編號：3322320