論文の概要: Identifying Possible Rumor Spreaders on Twitter: A Weak Supervised Learning Approach

• arxiv url: http://arxiv.org/abs/2010.07647v2
• Date: Tue, 6 Jul 2021 09:16:25 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-07 04:00:15.405067
• Title: Identifying Possible Rumor Spreaders on Twitter: A Weak Supervised Learning Approach
• Title（参考訳）: Twitterで噂の拡散を識別する: 弱々しい指導的学習アプローチ
• Authors: Shakshi Sharma and Rajesh Sharma
• Abstract要約: 噂は1つの誤報だ(他のタイプは偽ニュース、偽ニュースなど)。 噂の拡散を抑える一つの方法は、噂の拡散に頻繁に関与するユーザーを特定することだ。 我々は,教師あり学習手法を適用する前に,ユーザ,テキスト,エゴネットワークの3種類の機能を利用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online Social Media (OSM) platforms such as Twitter, Facebook are extensively exploited by the users of these platforms for spreading the (mis)information to a large audience effortlessly at a rapid pace. It has been observed that the misinformation can cause panic, fear, and financial loss to society. Thus, it is important to detect and control the misinformation in such platforms before it spreads to the masses. In this work, we focus on rumors, which is one type of misinformation (other types are fake news, hoaxes, etc). One way to control the spread of the rumors is by identifying users who are possibly the rumor spreaders, that is, users who are often involved in spreading the rumors. Due to the lack of availability of rumor spreaders labeled dataset (which is an expensive task), we use publicly available PHEME dataset, which contains rumor and non-rumor tweets information, and then apply a weak supervised learning approach to transform the PHEME dataset into rumor spreaders dataset. We utilize three types of features, that is, user, text, and ego-network features, before applying various supervised learning approaches. In particular, to exploit the inherent network property in this dataset (user-user reply graph), we explore Graph Convolutional Network (GCN), a type of Graph Neural Network (GNN) technique. We compare GCN results with the other approaches: SVM, RF, and LSTM. Extensive experiments performed on the rumor spreaders dataset, where we achieve up to 0.864 value for F1-Score and 0.720 value for AUC-ROC, shows the effectiveness of our methodology for identifying possible rumor spreaders using the GCN technique.
• Abstract（参考訳）: Twitter、Facebookなどのオンラインソーシャルメディア(OSM)プラットフォームは、これらのプラットフォームのユーザーによって、(ミス)情報を素早く大観衆に広めるために広く利用されている。 この誤報が社会にパニック、恐怖、財政的損失をもたらすことが観察されている。 したがって、大衆に広まる前に、そのようなプラットフォームにおける誤情報を検出・制御することが重要である。 本研究では,偽情報の一種であるうわさ(フェイクニュースや嘘など)に焦点を当てる。 噂の拡散を制御する一つの方法は、噂の拡散者かもしれないユーザー、つまり、噂の拡散に関与しているユーザーを特定することである。 噂拡散者ラベル付きデータセット(高価なタスクである)の可用性が欠如しているため、噂と非噂のツイート情報を含む公開利用可能なphemeデータセットを使用し、そのphemeデータセットを噂拡散者データセットに変換するために、弱い教師付き学習アプローチを適用します。 我々は,教師あり学習手法を適用する前に,ユーザ,テキスト,エゴネットワークの3種類の機能を利用する。 特に、このデータセット(ユーザ-ユーザ応答グラフ)に固有のネットワーク特性を活用するために、グラフニューラルネットワーク(GNN)の一種であるグラフ畳み込みネットワーク(GCN)を探索する。 我々はGCNの結果をSVM,RF,LSTMといった他の手法と比較する。 また,f1-scoreの最大0.864値とauc-rocの0.720値を達成するためのsnowse spreadersデータセット上での広範な実験を行い,gcn手法を用いたsnowse spreadersの同定手法の有効性を示した。

関連論文リスト

• Epidemiology-informed Network for Robust Rumor Detection [59.89351792706995]
  本稿では, 疫学知識を統合し, 性能を高めるための新しい疫学情報ネットワーク(EIN)を提案する。 疫学理論をうわさ検出に適応させるため,各利用者が情報源情報に対する姿勢を付加することが期待されている。 実験結果から,提案したEINは実世界のデータセット上で最先端の手法より優れるだけでなく,樹木の深度にまたがる堅牢性も向上することが示された。
  論文  参考訳（メタデータ） (2024-11-20T00:43:32Z)
• Rumor Detection with a novel graph neural network approach [12.42658463552019]
  ソーシャルメディア上での噂を検出するために,ユーザ相関と情報伝達の表現を共同で学習する新しい検出モデルを提案する。 具体的には、グラフニューラルネットワークを利用して、二部グラフからユーザ相関の表現を学習する。 本研究では,ユーザ相関パターンを逆転させるには高いコストが必要であることを示すとともに,ユーザ相関をうわさ検出のために考慮することの重要性を示す。
  論文  参考訳（メタデータ） (2024-03-24T15:59:47Z)
• Unsupervised Sentiment Analysis of Plastic Surgery Social Media Posts [91.3755431537592]
  ソーシャルメディアプラットフォームにまたがる膨大なユーザー投稿は、主に人工知能(AI)のユースケースに使われていない。 自然言語処理(NLP)は、コーパス(corpora)として知られるドキュメントの体系を利用して、人間のような言語理解でコンピュータを訓練するAIのサブフィールドである。 本研究は, 教師なし解析の応用により, コンピュータがプラスティック手術に対する否定的, 肯定的, 中立的なユーザ感情を予測できることを示した。
  論文  参考訳（メタデータ） (2023-07-05T20:16:20Z)
• Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
  異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。 我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。 3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
  論文  参考訳（メタデータ） (2022-04-19T12:10:03Z)
• Faking Fake News for Real Fake News Detection: Propaganda-loaded Training Data Generation [105.20743048379387]
  提案手法は,人間によるプロパガンダのスタイルや戦略から情報を得た学習例を生成するための新しいフレームワークである。 具体的には、生成した記事の有効性を確保するために、自然言語推論によって導かれる自己臨界シーケンストレーニングを行う。 実験の結果、PropaNewsでトレーニングされた偽ニュース検知器は、2つの公開データセットで3.62～7.69%のF1スコアで人書きの偽情報を検出するのに優れていることがわかった。
  論文  参考訳（メタデータ） (2022-03-10T14:24:19Z)
• Calling to CNN-LSTM for Rumor Detection: A Deep Multi-channel Model for Message Veracity Classification in Microblogs [0.0]
  噂は特に個人や社会に深刻なダメージを与える可能性がある。 ほとんどの噂検出アプローチは、噂の特徴分析と社会的特徴に焦点を当てている。 DeepMONITORはディープニューラルネットワークをベースにしており、かなり正確な自動噂検証を可能にする。
  論文  参考訳（メタデータ） (2021-10-11T07:42:41Z)
• Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
  ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。 我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。 そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
  論文  参考訳（メタデータ） (2020-05-18T09:36:51Z)
• Ensemble Deep Learning on Time-Series Representation of Tweets for Rumor Detection in Social Media [2.6514980627603006]
  本稿では,Twitterデータの時系列ベクトル表現を用いて,深層ニューラルネットワークによる予測の集合に対して多数投票を行い,噂をタイムリーに検出するアンサンブルモデルを提案する。 実験結果から, マイクロF1スコアの分類性能は, ベースラインに比べて7.9%向上していることがわかった。
  論文  参考訳（メタデータ） (2020-04-26T23:13:31Z)
• An Information Diffusion Approach to Rumor Propagation and Identification on Twitter [0.0]
  われわれは,Twitter上での顕微鏡レベルの誤情報拡散のダイナミクスについて検討した。 われわれの調査によると、噂のカスケードはより深く流れ、その噂はニュースとして隠され、恐怖を喚起するメッセージは他のメッセージよりも急速に拡散する。
  論文  参考訳（メタデータ） (2020-02-24T20:04:54Z)
• Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks [89.13567439679709]
  本稿では,二方向グラフ畳み込みネットワーク (Bi-Directional Graph Convolutional Networks, Bi-GCN) と呼ばれる新しい双方向グラフモデルを提案する。 これは、噂拡散のパターンを学習するために、噂拡散のトップダウン指向グラフを持つGCNと、噂拡散の反対指向グラフを持つGCNを活用して、噂拡散の構造を捉える。
  論文  参考訳（メタデータ） (2020-01-17T15:12:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。