安全技术-网络信息-面向移动社交网络中朋友发现的隐私保护技术研究.pdf
2022-05-06 18:00:47
3.66MB
在社交媒体谣言检测问题上, 现有的基于特征表示学习的研究工作大多数先把微博事件划分为若干个时间段, 再对每个时间段提取文本向量表示、全局用户特征等, 忽略了时间段内各微博间的时序信息, 且未利用到在传统机器学习方法中已取得较好效果的文本潜在信息和局部用户信息, 导致性能较低. 因此, 本文提出了一种基于分层注意力网络的社交媒体谣言检测方法. 该方法首先将微博事件按照时间段进行分割, 并输入带有注意力机制的双向 GRU 网络, 获取时间段内微博序列的隐层表示, 以刻画时间段内微博间的时序信息; 然后将每个时间段内的微博视为一个整体, 提取文本潜在特征和局部用户特征, 并与微博序列的隐层表示相连接, 以融入文本潜在信息和局部用户信息;最后通过带有注意力机制的双向 GRU 网络, 得到时间段序列的隐层表示,进而对微博事件进行分类. 实验采用了新浪微博数据集和Twitter数据集,实验结果表明,与目前最好的基准方法相比,该方法在新浪微博数据集和 Twitter 数据集上正确率分别提高了1.5% 和1.4%,很好地验证了该方法在社交媒体谣言检测问题有效性.
2022-05-06 10:37:15
1.33MB
1
安全技术-网络信息-面向可信用户和主题社区的社交网络在线话题识别方法研究.pdf
2022-05-06 09:00:08
6.5MB
源码简介与安装说明：
简单的社交评论、社交圈子、社交信息交换应用小程序模板下载
2022-05-05 21:04:18
316KB
跨社交媒体的用户链接-
从用户个人资料和用户生成的内容中提取特征，并判断两个帐户是否属于社交媒体上的同一用户
2022-05-05 11:12:07
406KB
1