社会化媒体信息源感知可信度及其影_省略_于微博用户方便样本调查的实证分析_周全
大学生网络信息可信度感知影响因素的实证研究
２ １年 ４月 ０１ 第２ 卷 第 ２ ９ 期
大学图书情报 学刊 Ｊｕｎｌ ｆ ｃｄｍ ｃ ｉｒ ｙａｄＩ ｏ ｔ ｎＳｉ ｃ ｏｒａ ｏ ａｅ ｉ Ｌｂ ｒ ｎ ｆｒ ｉ ｃ ｎｅ Ａ ａ ｎ ｍａｏ ｅ
Ａｐ ， ０ ｒ ２ １ １ Ｖｏ ．９ １ Ｎｏ２ ２ ．
ｆ ｑ ｅ ｃ ｄ ｔ ｅ ｄ ｐ ｎ ｅ ｃ ｎ ｔ ｅ ｎ ｔ ｏ ｋ ｒ ｕ ｎ ｙｏ ａ ｅ ｅ ｄ ｎ ｅｏ ｅ ｒ ． ｅ ｆ ｎ ｈ ｈ ｗ
Ｋｅ ｒ ｓ：ｃｌ ｇ ｔｄ ｎｓ ｄ ｐ ｎ ｅ ｃ ｎｎ ｔ ｏｋ ｕｉｚｔ ｎｏ ｅｗ ｒ ； ｎ ｎ ｏ ａｉｎ ｙ ｗｏ ｄ ｏｌ ｅｓｕ ｅ ｔ ｅ ｅ ｄ ｎ ｅｏ ｅ ｒ； ｔｉａｉ ｎ ｔ ｏｋ ｏ ｌ ｅｉ ｒ ｔ ｅ ； ｗ ｌ ｏ ｆ ｉ ｆ ｎ ｍ ｏ
断增强 ， 网络成为人们获取新闻资讯的主要媒介之
一
，
网络媒体 的影响力快速提升 。网底提高 ２ 个百分点 。 １％， ０９ ８ － ９
展使报纸 、 杂志 、 电视等传统媒 体的生存和发展面
中国网民的主体仍旧是 ３ 岁以下的年轻群体， ０ 这一网 临挑战 ， 了向数字化媒体转移的步伐。互联网 加快 民群体 占到中国网民的 ５％。其中学生群体： 整体网 ９ 在 成为人们信息获取的常规来源 ， 娱乐休 闲的重要方
Ａｎ ｍ ｐ ｒ ｃ ｌｓｕｄｙ ｏ ｈｅ ｉ ｆｕ ｎ ｉ ｌｆ ｃ ｏ ｓｆ ｒ ｔ ｅ ｉ ｆ ｍ ａ ｉ ｎ ｅ ｉ ｉ ａ ｔ ｆｔ ｎ ｅ ｔａ ａ ｔ ｒ ｏ ｈ ｎ ｏｒ ｔｏ ｌ ｃ ｅ ｉ ｉｉｙ ａ ｎｇ ｃ ｌ ｇ ｔ ｅ ｔ ｒ ｄ ｂ ｌｔ ｍｏ ｏ ｌ ｅ ｓｕｄ ｎ ｓ ｅ
论微博信息可信度及其影响
相 对而 言最 大 的特 点 就是 引导 了一 场 “ １ ４ ０字 的革 命 ” 。在 城市 化 快 节奏 的 生 活中 ，“ 微 博 ”比其 他大 众 媒体 更 具有 时 代 特点 ， 更 加 符 合现 代人 工 作 和生 活 特点 ， 它 打破 了时 间与 空 间限 制 ， 还 提供 了 文字 、 图 片和视 频 多种 途径 ， 通过 “ 关注 ”与 “ 被关 注 ”的形 式 ， 帮 助人 们维 持与 远距 离朋 友 的关 系 ， 也 吸 引更多 陌 生人关 注 自己 。微 博 的 出现 ， 让 社会 中 每一 个 “ 小 我 ”都 有 了展 示 自己 的 舞 台， 引 领 了大 量用户 原创 内容 的爆发 式增长 。Ⅲ 但 在这 错综 复杂 的信 息传 播过 程 中 ， 虚 假信 息 和恶 意诽谤 现 象 日 益成 为 了一 个不 容 忽视 的 问题 。中 国青年 报 社 会调 查 中心 最 新 在线 调 查显 示 ，８ ８ ． ２ ％ 的受 访者 有微 博 ， 但相 信微 博 上所 传信 息 的 人只 占 ３ ８ ． ５ ％。５ ０ ． ５ ％ 的 人对 微 博上 的 信 息持 审慎 态 度 ， 认 为 其 可 信 度一 般 。口 在微 博 时代 ， 信息 可信 性 降 低现 象 究 竟 因何 而 起 ， 又 会 造成 怎样 的影响 ？这将 是本 文要进 行论 述的 内容 。
论微博信息可信度及其影响
传 媒 与 ห้องสมุดไป่ตู้米
论微博信息可信度及其影响
孙 芳
（ 西 北 大学新 闻传播 学院 【 摘
陕 西西安
７ １ ０ １ ２ ７ ）
要 】 本 文阐述 了微博 的话 语特征和传播 特点 ， 分析 了微 博信 息可信度 降低 的原 因及影响 。指 出微博信息可信性较低 ， 这与每一
基于微博数据的社会影响力分析的开题报告
基于微博数据的社会影响力分析的开题报告一、研究背景及意义当前数字化时代，互联网平台上的数据呈现出膨胀式增长的趋势。
针对这种趋势，如何通过数据挖掘及分析技术快速准确地识别信息传播、社会影响力等方面的重要信息成为了学术和工业界关注的热点问题。
微博作为中国最大的社交媒体平台之一，其庞大的用户数量、持续不断的信息流以及广泛的主题范围，使得微博数据成为批量获取和分析社会影响力的重要来源。
通过对微博数据的分析，可以深入了解社会热点事件的传播规律和影响力范围，发现刻画社会现象的关键特征，是进行社会调查、政策制定、民意监控等方面的重要依据。
此外，对于广告商和市场调查人员而言，分析微博数据也有着重要的商业利用价值。
因此，基于微博数据的社会影响力分析具有重要的理论价值和实际应用价值。
二、研究目标与内容本文的研究目标是对微博数据进行深入分析，探索微博在社会影响力方面的表现和影响规律。
具体来说，将从以下两个方面展开研究：（1）微博传播模型针对微博数据的信息传播规律，结合深度学习等技术，构建微博传播模型，深入分析微博信息的传播和热度变化规律，发现影响微博信息传播和社会影响力的关键因素。
（2）微博用户影响力评估通过对微博用户的行为数据进行分析，包括用户的关注、粉丝、点赞、转发等信息，综合评估用户的影响力。
根据不同的分析方法和模型，从多方面评估微博用户的社会影响力，挖掘出社会影响力巨大的“草根”网络红人。
三、研究方法与技术本文将采用数据挖掘和分析技术，包括：（1）文本预处理对微博数据进行数据清洗和文本预处理，包括去重、分词、去停用词、情感分析等。
（2）传播模型构建基于微博传播的特点和规律，采用深度学习和传统的传播模型，比如SIR，SI等，建立微博传播模型，并进行实验模拟和预测。
（3）用户影响力评估根据不同的指标和评价标准，如Pagerank、Klout、社交影响指数等，评估微博用户的影响力。
四、研究预期成果本文预计通过对微博数据进行深入分析，挖掘出微博信息传播和社会影响力的内在规律，形成以下预期成果：（1）基于微博传播模型分析微博信息的传播规律和影响力变化规律。
新闻媒体公信力与信任度调查
新闻媒体公信力与信任度调查
未来研究展望
未来研究展望
▪ 新闻媒体与社交媒体的融合
1.社交媒体成为新闻传播的重要途径，需要重视其在公信力建 设中的作用。 2.新闻媒体应加强与社交媒体的合作，提高新闻传播的及时性 和准确性。 3.社交媒体应加强对新闻内容的审核和管理，防止虚假新闻的 传播。
▪ 人工智能在新闻媒体中的应用
1.人工智能可以提高新闻报道的效率和准确性，有助于提升媒 体的公信力。 2.人工智能的应用需要考虑伦理和隐私问题，确保合理使用。 3.新闻媒体需要加强对人工智能技术的了解和掌握，以适应未 来的发展趋势。
未来研究展望
新闻媒体的数据安全与隐私保护
1.新闻媒体需要加强数据安全保护，防止数据泄露和黑客攻击。 2.媒体需要遵守隐私法律法规，保护用户的个人隐私信息。 3.建立完善的数据安全和隐私保护机制，提高用户对媒体的信任度。
新闻媒体公信力与信任度调查
样本选择与数据来源
样本选择与数据来源
样本选择
1.样本选择的代表性：为了确保调查结果的代表性和准确性，我们采用了随机抽样的方式，从全国 范围内选择了不同地区、不同年龄、不同职业、不同教育背景的受众作为样本。 2.样本规模：本次调查共选取了XX个样本，保证了样本的足够数量和多样性，以提高调查结果的可 靠性和普适性。 3.样本筛选标准：我们制定了一系列筛选标准，如近期有阅读新闻的习惯、对新闻媒体有一定的了 解等，以确保样本的质量和有效性。 ---
环境变化与新闻媒体的应对
1.全球气候变化和环境问题成为重要的新闻议题，需要加强报道和宣传。 2.新闻媒体需要加强对环境问题的了解和掌握，提高报道的准确性和深度。 3.媒体应积极参与环保活动，提高社会的环保意识和责任感。
未来研究展望
微博、微信等平台的新闻传播效果评估
微博、微信等平台的新闻传播效果评估随着互联网的快速发展，微博、微信等社交媒体平台已经成为人们获取新闻信息的重要渠道。
在这些平台上，新闻传播的速度快、覆盖面广，影响力也日益增强。
然而，如何准确评估微博、微信等平台上新闻传播的效果，成为媒体从业者和研究者们关注的焦点之一。
本文将探讨微博、微信等平台的新闻传播效果评估方法及其重要性。
首先，评估微博、微信等平台的新闻传播效果需要考虑以下几个方面：一、传播速度和覆盖面：新闻在微博、微信等平台上传播的速度非常快，可以迅速引起公众关注。
评估新闻在这些平台上的传播速度和覆盖面，可以帮助我们了解新闻的影响力和传播范围。
二、互动和参与度：微博、微信等平台具有强大的互动功能，用户可以通过评论、转发等方式参与到新闻传播中。
评估用户在平台上对新闻的互动和参与度，可以帮助我们了解新闻对用户的吸引力和影响力。
三、舆情监测和分析：通过对微博、微信等平台上用户评论和情绪的监测和分析，可以帮助我们了解公众对新闻的态度和看法。
这有助于媒体从业者及时调整新闻报道策略，提升传播效果。
四、影响力评估：评估微博、微信等平台上新闻传播的影响力，可以通过新闻的曝光量、转发量、评论量等指标来衡量。
这有助于我们了解新闻在社交媒体上的影响程度，为新闻传播策略的制定提供参考依据。
在评估微博、微信等平台的新闻传播效果时，可以采用以下几种方法：一、数据分析法：通过收集和分析微博、微信等平台上新闻传播的相关数据，如点击量、转发量、评论量等指标，来评估新闻的传播效果。
可以借助数据分析工具和软件，对数据进行深入挖掘和分析，从而得出客观准确的评估结果。
二、问卷调查法：可以通过设计问卷调查，邀请用户参与对新闻传播效果的评估。
通过用户的反馈意见和建议，了解他们对新闻的看法和态度，从而评估新闻在社交媒体上的传播效果。
三、舆情监测工具：可以利用舆情监测工具对微博、微信等平台上新闻传播的舆情进行监测和分析。
这些工具可以实时监测用户评论和情绪变化，帮助我们及时了解公众对新闻的反馈和态度，从而评估新闻的传播效果。
微博信息取得和可以公开的实证方法
微博信息取得和可以公开的实证方法微博，作为国内最为热门的社交媒体平台之一，每日涌现着大量关于政治、娱乐、社会等各个领域的信息和话题。
这些信息中包含了极其丰富的社会数据，对于社会研究来说具有极其重要的价值。
微博的信息取得和实证方法也成为了社会科学领域的热点话题之一。
下面本文将探讨微博信息取得的方法和常用的实证方法。
一、微博信息取得的方法1.爬虫技术爬虫技术是目前最为常见的微博信息获取方法之一，它可以通过程序自动模拟登陆、搜索、抓取和分析微博信息。
对于爬虫技术的操作需要具备一定的编程技能和知识储备。
此外，需要注意的是，使用爬虫技术获取微博信息存在着法律风险。
2.API接口微博提供的API接口是另一种获取微博信息的方法。
通过API接口，可以获得微博的内容、评论、转发数等信息。
使用API接口获取数据需要进行申请，且需要掌握一定的编程和数据处理技能。
3.微博数据采购服务商目前市场上存在着大量的微博数据采购服务商，这些服务商可以通过不同的方式获得微博信息，例如使用爬虫技术、API接口、数据采集软件等，可以直接购买这些服务商提供的微博数据，不过相应的费用也比较高。
二、微博常用实证方法1.文本挖掘文本挖掘可以从微博文本内容中提取出关键词、主题、情感等信息。
通过对微博信息的文本挖掘，可以分析出微博用户的情感倾向，以及不同主题的讨论热点。
2.网络图谱网络图谱是通过对微博用户进行数据分析和挖掘，从而建立相关的社交网络结构。
这种方法可以提取用户之间的关系信息，包括微博用户之间的转发、评论等信息，进而了解不同用户的交互情况和社会网络结构。
3.时间序列分析时间序列分析可以通过对微博信息发布、转发、评论等行为的时间特征进行挖掘，分析微博信息的流行度、情感变化、话题热度等变化规律，以及不同时段微博信息的差异情况。
4.回归分析回归分析可以从多个角度对微博信息的相关因素和影响因素进行定量分析。
例如分析微博用户的性别、年龄、教育程度与其发布微博内容的关系，以及微博用户的地域差异对微博信息传播的影响等。
社交媒体虚假信息检测研究综述
社交媒体虚假信息检测研究综述目录一、内容概述 (2)1. 研究背景 (3)2. 研究意义 (4)3. 文献综述目的与结构 (5)二、社交媒体虚假信息检测方法 (7)1. 基于内容的检测方法 (9)1.1 文本特征提取 (10)1.2 模型构建与优化 (11)2. 基于社交网络结构的检测方法 (12)2.1 社交网络分析 (13)2.2 网络拓扑特征提取 (14)3. 基于机器学习的检测方法 (16)3.1 传统机器学习算法 (17)3.2 深度学习算法 (18)4. 综合多种方法的混合检测方法 (20)三、社交媒体虚假信息检测技术进展 (21)1. 信息抽取与实体识别技术 (23)2. 情感分析与观点挖掘技术 (24)3. 图像识别与视频分析技术 (25)4. 多模态信息融合技术 (26)四、评估指标与评价方法 (28)1. 准确率 (29)2. 召回率 (30)五、案例分析 (31)1. 案例选择与数据来源 (32)2. 实验设计与方法 (33)3. 检测结果与分析 (34)4. 对比与讨论 (35)六、未来研究方向与挑战 (36)1. 提高检测准确性 (38)2. 降低计算复杂度 (39)3. 跨语言与跨平台检测 (40)4. 隐私保护与伦理问题 (41)七、结论 (43)1. 研究成果总结 (44)2. 现有研究的不足 (45)3. 对未来研究的展望 (46)一、内容概述随着互联网和社交媒体的普及，信息传播速度日益加快，其中虚假信息的传播也愈发严重。
为了应对这一挑战，社交媒体虚假信息检测研究成为了学术界和工业界共同关注的焦点。
本文将对近年来社交媒体虚假信息检测的研究进行综述，以期为相关领域的研究提供参考。
基于统计方法的虚假信息检测。
这类方法主要利用机器学习和数据挖掘技术对文本、图片、视频等多模态数据进行特征提取和模型训练，以实现虚假信息的自动识别。
基于词袋模型的文本分类方法、基于卷积神经网络的图像识别方法等。
新媒体时代媒体的可信度分析以中国网民为对象的实证研究
新媒体时代媒体的可信度分析以中国网民为对象的实证研究1. 本文概述随着数字技术的飞速发展，新媒体已逐渐成为信息传播的主导力量。
在这个背景下，媒体的可信度问题变得尤为突出。
本文旨在探讨新媒体时代下媒体的可信度，特别是针对中国网民的实证研究。
本文将回顾新媒体发展的背景和媒体可信度的重要性，明确研究的理论和实践意义。
接着，我们将分析新媒体环境下影响媒体可信度的各种因素，包括信息来源的多样性、信息传播的速度和广度，以及受众的媒介素养等。
本文将详细介绍研究方法，包括数据收集和分析的过程。
我们将基于实证研究结果，讨论新媒体时代下提高媒体可信度的策略，并对未来研究方向提出建议。
本文的研究不仅有助于理解新媒体环境下媒体可信度的现状和挑战，也为媒体从业者、政策制定者和公众提供了有价值的参考。
2. 文献综述随着新媒体时代的来临，媒体的可信度成为了学界、业界乃至公众关注的焦点。
新媒体，如社交媒体、博客、新闻聚合平台等，以其快速、便捷、互动性强的特点，迅速改变了传统媒体的信息传播格局。
但与此同时，新媒体的可信度问题也日益凸显，引发了广泛的讨论和研究。
早期的研究多关注传统媒体的可信度，如报纸、电视、广播等。
这些研究通常基于特定的理论框架，如媒介依赖理论、受众认知理论等，通过问卷调查、深度访谈等方法，探究媒体可信度的影响因素及其与受众行为的关系。
这些研究普遍认为，媒体的可信度与受众的信任度、满意度、忠诚度等密切相关。
随着新媒体的崛起，越来越多的学者开始关注新媒体的可信度问题。
这些研究不仅延续了传统媒体可信度的研究框架，还针对新媒体的特点，提出了新的研究视角和方法。
例如，有学者从信息传播的角度，探讨了新媒体时代信息源的可信度问题有学者从受众认知的角度，分析了新媒体时代受众对信息真实性的判断标准还有学者从社会心理学的角度，探讨了新媒体时代媒体可信度与受众行为的关系。
在中国，随着互联网的普及和新媒体的快速发展，新媒体时代的媒体可信度问题也引起了广泛的关注。
社会化媒体效果测量与评估指标研究综述
社会化媒体效果测量与评估指标研究综述一、概述社会化媒体的兴起为企业和组织提供了与受众互动和传播信息的全新渠道。
如何有效测量和评估社会化媒体活动的效果成为了一个重要的研究课题。
本文旨在对社会化媒体效果测量与评估指标的相关研究进行综述，以期为实践者和研究者提供有益的参考。
我们将探讨社会化媒体效果测量与评估的重要性和挑战。
随着社会化媒体的普及，越来越多的企业和组织将资源投入到社会化媒体活动中，准确测量和评估这些活动的效果对于优化资源配置和提升投资回报率至关重要。
社会化媒体的复杂性和多样性也给效果测量和评估带来了挑战，例如数据的海量性、多维度性以及动态性等。
我们将回顾社会化媒体效果测量与评估的常用指标。
这些指标包括但不限于粉丝数、转发数、点赞数、评论数等定量指标，以及品牌知名度、用户满意度、口碑传播等定性指标。
我们将分析这些指标的优势和局限性，并讨论如何综合运用这些指标来全面评估社会化媒体活动的效果。
我们将探讨社会化媒体效果测量与评估的发展趋势。
随着技术的进步和社会化媒体的不断发展，效果测量与评估的方法和指标也在不断演变。
我们将讨论大数据分析、人工智能等新技术在社会化媒体效果测量与评估中的应用，以及未来可能的研究方向和挑战。
1. 社会化媒体概述社会化媒体，作为一种新型的数字通信和互动平台，已成为现代社会信息传播、社交互动和文化交流的重要渠道。
它是基于Web 0技术的应用，允许用户生成内容（UGC），实现用户之间的互动和共享。
社会化媒体平台包括但不限于社交媒体网站（如Facebook、Twitter）、博客、视频分享网站（如YouTube）、论坛、图片分享网站（如Instagram）等。
社会化媒体的出现和发展，深刻改变了人们的信息消费习惯和社交方式。
它打破了传统媒体的单向传播模式，赋予了用户更多的参与度和话语权。
用户不仅可以获取信息，还可以主动创造和分享内容，与其他用户进行互动。
这种互动性和参与性是社会化媒体区别于传统媒体的重要特征。
社交媒体中的虚假信息检测与识别研究
社交媒体中的虚假信息检测与识别研究随着社交媒体的快速发展和广泛应用，虚假信息的传播也日益猖獗。
这些虚假信息通过社交媒体迅速扩散，对公众产生了严重的影响。
因此，研究如何准确、迅速地检测和识别社交媒体中的虚假信息已成为一个重要课题。
本文将从选题依据、国内外分析、研究目标与内容、研究思路等方面展开论述。
一、选题依据社交媒体虚假信息的泛滥对广大用户造成了极大的困扰。
不仅会误导公众观点，还可能引发社会混乱及经济损失。
因此，研究社交媒体中虚假信息的检测与识别具有重要的理论和应用意义。
二、国内外分析1. 国内研究：国内对社交媒体虚假信息检测与识别的研究已取得了一定的进展。
现有方法主要依靠文本分析、用户行为分析和机器学习等技术手段，但仍存在有效性和准确性不高的问题。
2. 国外研究：国外学者在社交媒体虚假信息检测与识别方面也进行了大量研究。
他们将监督学习、深度学习等先进技术应用于该领域，取得了诸多令人瞩目的成果。
三、研究目标与内容1. 研究目标：(1) 提高虚假信息的检测效率和准确性；(2) 提供一种有效的虚假信息识别方法，以帮助用户分辨真实信息和虚假信息。
2. 研究内容：(1) 社交媒体虚假信息的定义和分类；(2) 提取虚假信息特征的方法和技术；(3) 设计并实现虚假信息检测与识别模型；(4) 评估和优化模型的性能。
四、研究思路1. 数据收集：建立合适的数据集，包括真实信息和虚假信息样本。
2. 特征提取：通过文本分析、用户行为分析等方式，提取虚假信息的特征。
3. 模型设计：利用监督学习、深度学习等技术，设计虚假信息检测与识别模型。
4. 模型训练与评估：使用标注数据对模型进行训练，通过准确率、召回率等指标评估模型性能。
5. 优化改进：针对模型存在的问题和不足，对算法进行优化改进，提高检测与识别的准确性和效率。
通过上述研究思路，我们可以得出如下结论：虚假信息在社交媒体中的传播已成为一个严重的问题。
为了准确、迅速地检测和识别虚假信息，我们需要综合运用文本分析、用户行为分析和机器学习等技术手段。
社会化媒体传播效果评估
社会化媒体传播效果评估随着社会化媒体在我们日常生活中的广泛应用，它已经成为了企业推广、公共关系和舆情监测等方面必不可少的工具。
而随之而来的问题就是如何评估社会化媒体传播的效果？首先，我们需要认识到社会化媒体传播的特点。
与传统媒体不同，社会化媒体是由用户产生和共享内容的。
这就导致了社会化媒体传播的特点是快速、广泛和互动性强。
因此，在评估社会化媒体传播效果时，我们需要考虑以下几个方面。
1. 定制指标传统媒体评估通常采用覆盖率和曝光次数等指标，但在社会化媒体中，这些指标已经无法全面评估传播效果。
我们需要根据目标受众和传播内容定制指标。
比如，对于企业来说，想要知道产品推广在社会化媒体上的效果，就需要关注转化率和销售额等指标；如果是政府部门，就需要关注调查问卷的回收量和参与度等指标。
因此，定制化指标是社会化媒体传播效果评估的重要一环。
2. 实时监测社会化媒体传播的特点之一就是快速，信息发布和传播速度非常快。
因此，在评估社会化媒体传播效果时，我们需要及时地监测社会化媒体平台上的动态，收集信息并实时进行分析。
这样可以让我们更好地把握传播趋势、受众反应和内容的变化，及时进行调整和优化。
3. 分析用户行为社会化媒体传播是由用户产生和分享内容的，因此我们需要对用户行为进行分析。
我们可以通过观察用户在社会化媒体平台上的互动，例如点赞、评论、分享等，来了解用户对内容的反应。
通过这些行为的分析，我们可以知道哪些内容更容易引起用户的兴趣，这有助于我们进行推广和内容优化。
4. 精准定位目标受众社会化媒体传播的另一个特点是互动性强，用户可以选择关注感兴趣的内容，也可以通过分享扩散信息。
因此，在社会化媒体传播的过程中，我们需要通过定位目标受众来提高传播效果。
定位目标受众可以通过分析用户画像、社会化媒体平台粉丝分布等方式实现。
总之，社会化媒体传播效果评估需要着重考虑定制化指标、实时监测、分析用户行为和精准定位目标受众等方面。
只有在全面考虑这些方面之后，我们才能更好地评估社会化媒体传播的效果，并且进一步做出推广和营销策略的调整。
社会化媒体中虚假新闻的检测和鉴别技术研究
社会化媒体中虚假新闻的检测和鉴别技术研究随着社交媒体在生活中的日益普及，人们越来越多地从社交媒体上获取新闻和信息。
社交媒体平台已成为人们获取信息、分享观点和互动交流的主要工具，然而，面对虚假新闻的泛滥现象，人们的信息获取方式存在着严重的问题。
虚假新闻瞬息万变，它不仅会误导人们的决策和判断，还会严重影响个人和社会的行为和价值观。
因此，如何检测和鉴别虚假新闻是一个重要的研究课题。
本文将从现有的研究入手，探讨社会化媒体中虚假新闻的检测和鉴别技术，以期为相关研究提供参考。
一、虚假新闻的定义与影响虚假新闻是指在传媒和社交媒体平台中散布虚假信息的行为。
它们可以被制造出来，也可以被误传、误解。
虚假新闻的影响非常大，首先，它们容易引发公众情绪，煽动社会不稳定因素。
其次，虚假新闻会误导公众的决策和判断，妨碍大众对相关事实的正确理解和判断。
其三，虚假新闻会对受害者造成深远的影响，甚至会破坏人们的声誉和信任。
二、虚假新闻的反制技术（一）基于人工智能的虚假新闻检测随着人工智能技术的普及，越来越多的基于自然语言处理和机器学习算法的虚假新闻检测方法被提出。
这些方法将文本语义分析和情感识别技术相结合，通过对文本的特征提取、分类和模型训练等技术，实现了一定程度上的虚假新闻检测。
其中，BERT、LSTM和CNN等深度神经网络模型被广泛应用于虚假新闻检测任务中。
（二）基于社交网络分析的虚假新闻鉴别社交网络是虚假新闻传播的主要场所。
因此，基于社交网络分析的技术可以有效地检测和鉴别虚假新闻。
这些技术主要通过分析社交网络中信息的传播路径和传播过程，结合信息传播的速度和源头等因素，识别虚假新闻在社交网络中的传播规律。
这种方法可以有效缩短虚假新闻的传播时间，并能准确地追踪虚假新闻的源头，有效地缓解虚假新闻的危害。
（三）基于用户行为的虚假新闻检测用户的行为可以反映其对新闻的态度和认知。
因此，根据用户对新闻的观点和判断，可以结合国内外的用户行为数据，通过建立用户信息表和访问序列方法，推断出用户对新闻的态度和倾向性，进而判断新闻的真实性。
社会化搜索平台中信息价值感知差异研究——基于用户满意度与任务复杂性视角
社会化搜索平台中信息价值感知差异研究——基于用户满意度与任务复杂性视角孙晓宁;赵宇翔;朱庆华【期刊名称】《情报学报》【年(卷),期】2018(037)001【摘要】与传统 Web 搜索相比,社会化搜索为新一代互联网用户获取信息提供了很多便利,无论对于搜索过程还是搜索结果而言,都更具个性化、情境化与智能化.然而,信息价值问题始终困扰着社会化搜索平台的健康发展.本研究聚焦于不同用户满意度及任务复杂性水平下,社会化搜索平台中用户的信息价值感知差异性,采取准实验研究方法来验证提出的三个研究假设.研究结果表明,①用户感知信息价值的各项指标与用户满意度呈正相关;②"新颖性"、"原创性"、"启发性"与任务复杂性呈正相关,其余的10个指标则呈负相关;③任务复杂性和用户满意度能够对信息价值指标产生交互作用,且结果差异较大.相关研究结论有助于社会化搜索平台明晰用户的个性化需求,并对提升用户信息搜索能力及信息素养有所裨益.【总页数】12页(P86-97)【作者】孙晓宁;赵宇翔;朱庆华【作者单位】山西财经大学信息管理学院,太原 030006;南京理工大学经济管理学院,南京 210094;南京大学信息管理学院,南京 210023【正文语种】中文【相关文献】1.中国质量协会、全国用户委员会发布2008年度汽车用户满意度测评报告——感知价值拉动满意度提升;关键部件可靠性成为新车质量软肋 [J],2.基于性格特征的社会化媒体用户学术信息搜寻行为感知差异研究 [J], 张晋朝;罗博;查先进3.移动图书馆用户的满意度和忠诚度研究——基于感知价值视角 [J], 曹霞4.社会化分享下知识共享平台用户的信息价值感知研究 [J], 朱昕昭;齐莉丽5.社会化分享下知识共享平台用户的信息价值感知研究 [J], 朱昕昭;齐莉丽因版权原因，仅展示原文概要，查看原文内容请购买。
社交媒体信息可信度评估研究综述
社交媒体信息可信度评估研究综述作者：王一华来源：《现代情报》2016年第12期〔摘要〕社交媒体信息可信度评估研究不仅有助于发展与完善网络信息资源管理理论，而且有助于提高社交媒体舆情监控、社交媒体搜索、社会化推荐等方面的效果。
本文通过梳理国内外相关文献，从社交媒体信息研究、信息可信度研究、社交媒体信息可信度评估研究对国内外研究情况进行综述，指出国内社交媒体信息可信度评估研究存在的研究面窄、定性研究多、缺乏系统性等问题，并提出应对中文社交媒体信息可信度进行系统研究、进行自动评估等解决方法。
〔关键词〕社交媒体；信息可信度；评估；综述〔中图分类号〕G203 〔文献标识码〕A 〔文章编号〕1008-0821（2016）12-0164-06〔Abstract〕Information credibility assessment research in social media not only contributes to the development and improvement of network information resource management theory，but also helps to improve the effectiveness of social media monitoring public opinion，social media search，social recommendation and so on.The paper firstly reviewed the researches at home and abroad about the social media information research，information credibility research，and social media information credibility assessment research，and then pointed out the problems existing in information credibility assessment research of domestic social media，and finally put forward the solution to it.〔Key words〕social media；information；credibility；assessment；review1 研究的意义随着互联网技术和移动技术的突飞猛进，社交媒体盛行，人人可做信息的制造者，制造的信息极为丰富。
社交媒体中健康信息可信度的影响因素研究:先验知识的调节作用
社交媒体中健康信息可信度的影响因素研究：先验知识的调节
作用
王孝盼;张淼;吴懿;张晓飞
【期刊名称】《信息资源管理学报》
【年(卷),期】2024(14)1
【摘要】基于双路径模型,以社交媒体网站干预措施中的事实核查为研究对象,探究了来源评级和内容评级两种事实核查手段对用户感知信息可信度和后续信息参与行为的影响,并考虑个体先验知识在其中的调节作用。
通过一个包含202个被试的线上情境实验发现,两种评级机制均正向影响感知可信度,且感知可信度正向影响用户阅读、点赞、发表支持性评论和转发信息的意愿,但对于发表反驳性评论的意愿影响不显著。
先验知识对于内容评级的影响具有负向调节作用,而对来源评级的影响调节作用不显著。
本研究结论丰富了社交媒体健康信息可信度的相关文献和理论,同时也为社交媒体信息干预机制的设计提供管理启示。
【总页数】13页(P55-67)
【作者】王孝盼;张淼;吴懿;张晓飞
【作者单位】浙江工商大学工商管理学院;浙江工商大学企业数智化与商务分析研究中心;天津大学管理与经济学部;天津大学复杂管理系统实验室;南开大学商学院【正文语种】中文
【中图分类】G206
【相关文献】
1.社交媒体信息可信度的评估策略与影响因素
2.移动社交媒体中健康信息可信度的影响因素研究——以微信为例
3.中老年人对网络健康信息可信度认知的影响因素研究
——基于信息完整性和社会认可度的差异4.社交媒体中的突发公共卫生事件信息可信度影响因素研究
——以微信为例5.社交媒体平台信息可信度影响因素实证分析
因版权原因，仅展示原文概要，查看原文内容请购买。
微博事件感知与脉络呈现系统
微博事件感知与脉络呈现系统欧阳逸;郭斌;何萌;於志文;周兴社【摘要】为了研究微博的事件感知与脉络呈现方法,以Twitter为研究对象,对现实生活中发生的事件进行提取并呈现事件发展的过程.对微博的处理分为事件感知阶段和事件脉络呈现阶段.在事件感知阶段对原始微博进行过滤分析,去除冗余信息,并得到与事件相关的微博集.在事件脉络呈现阶段采用基于图结构的方法,将微博之间的关系转换成图中结点之间的关系,寻找图中的关键结点作为关键微博,并连接关键结点,最终得到在时间和内容上连贯的事件脉络.实验结果表明:所提出的方法能呈现事件的发展过程,也能体现事件发展的多样化.【期刊名称】《浙江大学学报（工学版）》【年(卷),期】2016(050)006【总页数】7页(P1176-1182)【关键词】微博;事件感知;事件脉络;图挖掘【作者】欧阳逸;郭斌;何萌;於志文;周兴社【作者单位】西北工业大学计算机学院,陕西西安 710129;西北工业大学计算机学院,陕西西安 710129;西北工业大学计算机学院,陕西西安 710129;西北工业大学计算机学院,陕西西安 710129;西北工业大学计算机学院,陕西西安 710129【正文语种】中文【中图分类】TP399近年来,随着互联网技术的发展和日益成熟,社交媒体网站(如：Facebook、Twitter、新浪微博等)如雨后春笋般出现在人们的视野中.作为一种新的社交媒体,微博已经得到了迅速的发展,人们可以通过它共享新闻和信息,也可以及时地了解现实生活中发生的事情[1-4].现在,越来越多的用户喜欢在微博上查询正在发生的事件[5],用户不仅能获得事件的最新动态,而且还能了解其他用户对事件的情感与主张[6-10].然而,对于某一事件,与之相关的微博量非常庞大,这些微博一方面带来了及时、丰富而多维度的信息,另一方面也因其包含零碎的信息而对了解事件全貌和发展演化带来挑战[11].对微博中大量数据的挖掘已经成为了目前的研究热点.郑斐然等[12-17]的研究关注Twitter上的话题和事件的检测,局限性很大,无法展现事件全貌.Nichols等[18-21]统计了微博数量随时间的变化,通过检测微博数量的峰值来发现子事件,并按照时间顺序连接子事件得到事件发展脉络,这种方法会漏掉事件发展的关键信息.Lin等[22-23]采用图的方法来呈现事件脉络,把微博作为图中的结点,微博之间的关系用图中的边表示,这样不仅能清晰地展现事件发展的过程,而且非常直观,容易理解.以马航失联为例,以下为马航失联5 h内的事件发展过程.2014年3月8日8:45,一架由吉隆坡飞往北京的航班失去联系.8:52,飞机上有160名中国人.9:06,该机一直未进入我国空管情报区.9:50,飞机航油估计已经耗尽.10:47,飞机上中国人数字更新为154名.13:34,越南海军确认飞机坠落.如何能从微博上涌现的数以万计的相关帖子中获取以上事件脉络,是本文研究内容.本研究存在如下挑战：1)关于某一事件的微博量十分庞大,其中会包含很多与事件无关的微博,从中提取出与事件相关的微博比较困难.2)呈现事件脉络是另一大挑战.在事件脉络呈现阶段,搜集事件在各个发展阶段的关键信息,即选取关键微博比较困难,这对呈现整个事件脉络造成了极大的挑战.基于以上挑战,本文提出基于图结构来寻找关键微博和连接关键微博的方法.通过建图将微博之间的关系转换成图中结点之间的关系,寻找图中的关键结点作为关键微博,并在图中连接关键结点,得到最终的事件脉络.本文基于Twitter数据集进行实验,实验结果表明本文提出的方法能呈现事件的发展过程,同时也能体现事件的多样化特点.本文的系统框架如图1所示,包括3个模块：微博数据库模块、事件感知模块、事件脉络呈现模块.微博数据库模块为整个系统提供了数据输入,事件感知模块以微博数据库的微博作为输入,输出与事件相关的微博集.事件脉络呈现模块以事件的微博集作为输入,呈现事件脉络.微博数据库是根据事件关键词查询出来的微博,其中包含与事件相关的微博,也包含大量无关的微博.事件感知模块对微博数据库中的原始微博进行分析处理,过滤大量无关的微博,保留与事件相关性高的微博.事件脉络呈现模块处理事件感知阶段得到的微博集合,从中挑选出关键微博,这些关键微博能够包含其他微博的内容,并将这些关键微博按照发布的时间顺序连接起来,形成事件脉络.1.1 事件感知事件感知模块主要对微博进行过滤分析,降低冗余.对于微博数据库中的每一条微博,首先,根据事件关键词查询微博数据库,筛选出包含关键词的微博；然后,对这些微博进行预处理,过滤掉其中的冗余信息；接着,计算每一条微博的TF-IDF得分(词频与逆向文件频率的乘积，用于计算微博文本的重要性),并根据TF-IDF得分的高低将微博降序排列,选取排名靠前的微博,剔除排名靠后的微博；最后,输出排名靠前的微博集合,作为事件脉络呈现模块的输入.事件感知模块如图2所示.1.1.1 文本预处理文本处理有多种不同的算法和工具.本文采用NLTK(自然语言工具包)对微博文本进行预处理,NLTK是英文文本处理中经常使用的一个工具,提供了丰富的语料库和词汇资源,在文本处理方面有较高的效率与准确率.预处理分为如下步骤：1)将微博文本中的大写字母全部转换成小写字母；2)将文本中的单词分离,NLTK提供了分词工具；3)去除文本中的链接；4)去除文本中的停用词,NLTK提供了一份英文停用词数据,如：“I”,“me”,“my”等；5)去除文本中的标点符号.最终得到处理之后的微博集合,此时微博文本中的冗余信息已经被剔除.1.1.2 微博排序对于预处理得到的微博集合,计算每一条微博中出现的每个关键词的TF-IDF得分,并以所有关键词的TF-IDF得分之和作为这条微博的TF-IDF得分.TF-IDF表示词语的逆向文档频率,可以通过计算文档中词语相对重要性的归一化得分来查询语料库.从数学的角度来说,TF-IDF表示词频和逆向文档频率的乘积：式中：Ttf为一个词语在某个具体文档中的重要性；Tidf为一个词语在整个语料库中的重要性.因此,对于任意一条微博,其TF-IDF得分为式中：Q为事件关键词的集合；q为集合Q中的一个关键词；Ttf_idf(q)为关键词q的TF-IDF得分.计算出每一条微博的TF-IDF得分之后,根据TF-IDF得分的高低将微博降序排列,选取排名靠前的微博,剔除排名靠后的微博.最后,输出排名靠前的微博集合,此时微博集合中的微博与事件的相关度很高,同时也包含了事件发展的各个过程.1.2 事件脉络呈现事件脉络呈现模块主要分析微博之间的关系,呈现事件脉络.事件脉络呈现模块又分为3个子模块：建图、寻找关键微博、连接关键微博.该模块以事件感知模块输出的微博集作为输入,依次通过3个子模块的处理,最终呈现事件脉络.事件脉络呈现模块如图3所示.1.2.1 创建图结构为了更加直观地呈现事件的脉络,考虑将微博之间的关系转化成图结构,采用图结构来展现事件的变化过程[22].经过事件感知模块的处理,过滤掉了很多冗余信息,得到了与事件相关度较高的微博集,其中包含了事件发展的过程,但同时也存在许多重复和转发的微博,还有一些微博表达的主要信息都相同.因此这个微博集中还有一些微博是多余的,需要剔除,并且要找出关键微博来代替这些多余的微博,这样就能进一步地降低冗余.最后采用合适的方法将这些关键微博按照时间顺序连接起来,呈现完整的事件发展过程.为了便于理解,创建2个图,一个无向图G(V,W,E)和一个有向图H(V,W,A).无向图用来表示微博之间的文本内容关系,有向图H用来表示微博之间的时间关系.无向图G 和有向图H中每一个结点代表一条微博,且2个图中的结点及结点属性完全相同.V 为结点集合；即微博集合；W为结点权值；E为无向边集合,表示微博文本之间的相似度关系.A为有向边集合,表示微博之间的时间关系.无向图G的创建由参数来控制；有向图H的创建由时间参数t1,t2来控制,且t1<t2,称[t1,t2]为时间窗口[22]. 采用如下方法计算每一个结点的权值：式中：W(vi)为结点的vi权值；C(vi,Q)为结点vi对应微博与事件关键词集合Q的余弦相似度.C(vi,Q)越大,则说明该微博对应结点的权值越大,也表明与事件的相关度越高.在计算集合时,当且仅当2条微博文本vi和vj之间的余弦相似度大于θ,即C(vi,Q)>θ时,就用一条无向边将对应的2个结点连接起来.在计算集合A时,当且仅当t1≤tj-ti≤t2时,表明微博vi的发布时间ti比微博vj的发布时间tj早,就画一条从结点vi指向结点vj的有向边.通过上述计算,就能构建完整地无向图G和有向图H,将微博之间的关系巧妙地转化为图中结点的关系,使处理过程更加直观,也便于理解.在后续的处理过程中,希望能在无向图G中寻找到关键结点,即关键微博,并在有向图H中连接关键结点,最终得到事件脉络.1.2.2 选择关键微博原始微博经过事件感知阶段处理之后,得到的微博与事件的相关度已经很高了,在后续的处理中应当重点考虑微博与微博之间的关系,寻找关键微博来代表其他微博表达的内容.如何寻找关键微博就转化为如何寻找图中的关键结点的问题[22,24].采用计算加权相似度的方法来寻找无向图G中的关键结点.加权相似度的定义如下：式中：B(v)为结点v对应微博与所有邻结点对应微博的加权相似度；为结点v对应微博与邻结点vi对应微博的余弦相似度和结点vi权值的乘积之和；W(vi)为结点v 所有邻结点的权值之和.选择关键结点v要既要考虑对应微博与事件的关联,又要考虑与邻结点对应微博的关联.W(vi)越大,表明邻结点vi对应微博与事件的相关度越高,也间接表明结点v对应微博与事件的相关度越高.C(v,vi)越大,表明结点v对应微博与邻结点vi对应微博的余弦相似度越大,也可以说明结点对应微博越具有代表性.当B(v)的值越大时,表示结点的加权相似度越高,即结点v对应微博越具有代表性,能够表示其邻结点对应微博的内容,则结点v为无向图G中的关键结点,对应微博为关键微博.因此,寻找关键结点v*的模型可以表示如下：上述模型的原理就是,计算无向图G中所有结点的加权相似度,选取其中加权相似度最大的结点作为关键结点.寻找关键微博的算法具体思想如下：在每一次迭代过程中,选择无向图G(V,W,E)中加权相似度B(v)达到最大的结点v作为关键结点,并添加到集合N中,同时将关键结点的所有邻结点全部添加到集合D中,并且在下一次迭代过程中不再处理这些结点.最终得到的集合D就是关键结点集合,集合N就是非关键结点集合.这样不仅考虑了微博与事件的关联,而且着重考虑了微博与其他微博之间的关联,使得选取的关键微博与其他微博的相似度很高,能很好地表示其他微博的内容.1.2.3 连接关键微博在得到了关键结点集合D,即关键微博之后,需要在有向图H(V,W,A)中将这些关键结点按照微博发布的时间顺序连接起来,形成最终的事件.在连接过程中,既要保证脉络的连贯性,即有向图H原始的连通性,又要保证时间的先后顺序.在连接时,如果2个关键结点本来就是邻结点,那直接连接即可；但也有可能2个关键结点不是邻结点,则需要通过过渡结点来连接这2个关键结点,过渡结点应该属于非关键结点集合,这时如何选择过渡结点,也就是选择连接2个关键结点的过渡路径就成为了主要问题[22,25].经过事件感知阶段的处理,得到的微博与事件的相关度已经很高,因此,不选择与事件关联度高的微博来作为过渡结点.得到的关键结点与其邻结点的加权相似度都已经很高,具有足够的代表性,因此,也不选择与关键结点相似度高的结点作为过渡结点.这样可以避免信息重复出现.考虑到事件的脉络已经初步生成,可以从事件多样化的角度来选择过渡结点,即选择加权相似度低的结点来作为过渡结点,这样不仅能呈现事件的脉络,还能体现事件的多样化.寻找过渡结点的模型可以表示如下：式中：vi和vj为关键结点集合D中的任意2个关键结点；vk为vi到vj的一条路径中的过渡结点,且vk∈N；∑B(vk)为vi到vj的一条路径中所有过渡结点的加权相似度之和；p为关键结点vi和vj的连接方法,即过渡路径.上述模型的原理就是,选择加权相似度之和最小的过渡路径来连接2个关键结点.连接关键微博的算法具体思想为,在有向图H中,如果对于任意2个关键结点vi和vj本来就是邻结点,则直接连接.如果不是邻结点,则需要添加有向图H中原来就存在的过渡结点vk,使得2个关键结点能够连通,并且还需要满足添加的过渡结点的加权相似度值之和达到最小.最后得到连接关键结点的边集合,即关键结点的连接结果.这样不仅将关键结点连接起来,而且还能体现事件的多样化.这样既保证了得到的事件在内容上连贯,又能体现事件的多样化,同时还保证了时间的先后顺序.2.1 实验数据集本文使用的数据集为2014年巴西世界杯的Twitter数据,采集了从2014年7月2日到2014年7月14日发布的Twitter数据.本研究分别分析了2014年7月2日阿根廷队与瑞士队比赛的数据,以及2014年7月14日德国队与阿根廷队比赛的数据.2014年7月2日阿根廷队与瑞士队比赛的数据量相对较小,而2014年7月14日德国队与阿根廷队比赛为决赛,数据量非常庞大,处理起来比较困难,每场比赛持续时间大概为2 h,因此分别分析了2014年7月2日0:00到2:00两个小时的数据,微博数量为38 230条,以及2014年7月14日3:00到5:00两个小时的数据,微博数量为62 161条.2.2 实验结果对2014年7月2日举行的阿根廷与瑞士的比赛数据进行分析.数据处理流程如图4所示，圆形结点表示非关键结点,三角形结点表示关键结点.图4(a)为无向图,图4(b)为寻找到关键结点之后的图,图4(c)为有向图,图4(d)为连接关键结点之后的图.阿根廷与瑞士比赛的事件脉络如图5所示,对应图4(d).阿根廷与瑞士比赛的实际报道如图6所示.对比上述事件脉络图5与实际报道图6可以看出,实际报道更加注重事件的整个过程,而脉络图更加关注事件发展的重要人物或重要阶段.同时,也展示了事件发展过程中用户的情感和观点,进一步体现了事件多样化的特点.对2014年7月14日举行的德国与阿根廷的比赛数据进行分析.数据处理流程如图7所示.德国与阿根廷比赛的事件脉络如图8所示.德国与阿根廷比赛的实际报道如图9所示.对比上述事件脉络图8与实际报道图9可以看出,脉络图大致展示了事件发展的过程,并呈现了分支,增加了事件的趣味性,也进一步体现了事件多样化的特点.2.3 分析通过对比分析,可以看出上述2组实验中的事件脉络图与实际报道图还是存在区别,实际报道更注重对客观事件的报道,而事件脉络图不仅呈现了事件发展的阶段,而且还呈现了用户对比赛以及球员的观点与态度,比实际报道会更有趣,也体现了事件的多样化.分析实验结果与实际报道存在误差的原因如下：1)在事件感知阶段,对微博的处理方法过于简单,仅仅靠计算微博与事件关键词的相关度高低来判断微博是否重要过于片面.由于事件感知模块输出的微博集存在误差,导致最终得到的事件与实际报道存在误差.2)世界杯数据集中充斥着大量的用户情感,因为用户在观看比赛时,情感和态度都会比平时更加明确.用户情感一方面能使呈现的事件更加有趣,但另一方面会对呈现事件脉络造成干扰.(1)检测微博中的事件变化过程能够提供更好的用户体验,并且也能更深入地了解事件的发展情况.(2)本文结合了微博挖掘、文本挖掘、图论等领域的方法,可以将其推广运用到社交媒体挖掘中,如：在海量的社交媒体中寻找信息扩散的源头,并预测信息扩散的未来趋势；实时更新获得社交媒体中的最新动态等.(3)本文提出的寻找关键微博和连接关键微博的方法着重考虑了微博之间的关联,将处理微博之间的关系转化为分析图中结点的关系,不仅直观,而且也便于理解.本文也存在以下几个方面的不足.1)在事件感知阶段,对微博的处理方法过于单一,仅仅靠微博中是否出现关键词来判断这条微博是否与事件相关过于片面.因为,还有一些微博可能与某一事件有潜在的相关性,但是不包含事件的关键词,这些微博在查询时就很可能会被遗漏,丢失一些有用的信息,对最后的事件呈现产生影响.由于事件感知模块输出的微博集存在误差,导致事件脉络呈现模块输出的事件与实际报道存在误差,相信改进微博过滤的方法,提高微博过滤的精确度,最后呈现的事件脉络会更好.2)在事件脉络呈现阶段,连接关键结点的算法复杂度偏高,希望在后续的工作中改进算法,在保证结果准确的同时降低算法的复杂度.同时,在最后呈现的事件脉络中出现了用户情感,适当地呈现用户情感能体现事件的多样性与趣味性,但大量的用户情感也会导致结果与实际报道存在误差.因此,在后续工作中会考虑情感与事件的结合,呈现更加全面、多样化的事件脉络.3)微博除了文本属性之外,还有其他属性,包括：评论、转发、微博博主的权威值等属性,这些属性也能体现事件的多样性,在后续的工作中会结合这些属性来呈现更加全面的事件脉络.【相关文献】[1] DORK M, GRUEN D, WILLIAMSON C, et al. A visual backchannel for large-scale events [J]. IEEE Transactions on Visualization and Computer Graphics, 2010,6(16): 1129-1138. [2] MARCUS A, BERNSTEIN M S, BADAR O, et al. Twitinfo: aggregating and visualizing microblogs forevent exploration [C] ∥ Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. Vancouver: ACM, 2011: 227-236.[3] ABEL F, HAUFF C, HOUBEN G J, et al. Semantics+ filtering+ search= twitcident. exploring information in social web streams [C] ∥ Proceedings of the 23rd ACM Conference on Hypertext and Social Media. Milwaukee: ACM, 2012: 285-294.[4] MCKELVEY K, MENCZER F. Design and prototyping of a social media observatory [C] ∥ Proceedings of the 22nd International Conference on World Wide Web companion. Rio de Janerio: ACM, 2013: 1351-1358.[5] TEEVAN J, RAMAGE D, MORRIS M R.#TwitterSearch: a comparison of microblog search and web search [C] ∥ Proceedings of the 4th ACM International Conference on Web search and Data mining. Hong Kong: ACM, 2011: 35-44.[6] 庞磊,李寿山,周国栋.基于情绪知识的中文微博情感分类方法[J].计算机工程,2012,38(13): 156-158.PANG Lei, LI Shou-shan, ZHOU Guo-dong. Sentiment classification method of Chinese micro-blog based onemotional knowledge [J]. Computer Engineering, 2012, 38(13): 156-158.[7] 张珊,于留宝,胡长军.基于表情图片与情感词的中文微博情感分析[J].计算机科学, 2012 (增3): 146-148.ZHANG Shan, YU Liu-bao, HU Chang-jun. Sentiment analysis of Chinese microblogs based on emoticons and emotional words [J]. Computer Science, 2012 (Suppl. 3): 146-148. [8] BERMINGHAM A, SMEATON A F. Classifying sentiment in microblogs: is brevity an advantage？[C] ∥ Proceedings of the 19th ACM International Conference on Informationand Knowledge Management. Toronto: ACM, 2010: 1833-1836.[9] WANG R, HUANG W, CHEN W, et al. ASEM: mining aspects and sentiment of events from microblog [C] ∥ Proceedings of the 24th ACM International o n Conference on Information and Knowledge Management. Melbourne: ACM, 2015: 1923-1926.[10] WANG C, XIAO Z, LIU Y, et al. SentiView: sentiment analysis and visualization for internet popular topics [J]. IEEE Transactions on Human-Machine Systems, 2013, 43(6): 620-630.[11] KOVACH B, ROSENSTIEL T. Blur: How to know what’s true in the age of information overload [M]. New York: Bloomsbury Publishing USA, 2011: 150-153.[12] 郑斐然,苗夺谦,张志飞,等.一种中文微博新闻话题检测的方法[J].计算机科学,2012,39(1): 138-141.ZHENG Fei-ran, MIAO Duo-qian, ZHANG Zhi-fei, et al. News topic detection approach on Chinese microblog [J]. Computer Science, 2012, 39(1): 138-141.[13] MATHIOUDAKIS M, KOUDAS N. Twittermonitor: trend detection over the twitter stream [C] ∥ Proceedings of the 2010 ACM SIGMOD Interna tional Conference on Management of Data. Indianapolis: ACM, 2010: 1155-1158.[14] SAKAKI T, OKAZAKI M, MATSUO Y. Earthquake shakes Twitter users: real-time event detection by social sensors [C] ∥ Proceedings of the 19th International Conference on World Wide Web. Raleigh: ACM, 2010: 851-860.[15] SHAMMA D A, KENNEDY L, CHURCHILL E F. Peaks and persistence: modeling the shape of microblog conversations [C] ∥ Proceedings of the ACM 2011 Conference on Computer Supported Cooperative Work. Hangzhou: ACM, 2011: 355-358.[16] 张佳凡,郭斌,路新江,等.基于移动群智数据的城市热点事件感知方法[J].计算机科学,2015,42(6A): 5-9.ZHANG Jia-fan, GUO Bin, LU Xin-jiang, et al. Approach for urban popular event detection using mobile CrowdSourced data [J]. Computer Science, 2015,42(6A): 5-9.[17] 郭跇秀,吕学强,李卓.基于突发词聚类的微博突发事件检测方法[J].计算机应用,2014,34(2): 486-490.GUO Yi-xiu, LV Xue-qiang, LI Zhuo. Bursty topics detection approach on Chinese microblog based on burst words clustering [J]. Journal of Computer Applications, 2014, 34(2): 486-490.[18] NICHOLS J, MAHMUD J, DREWS C. Summarizing sporting events using twitter [C] ∥ Proceedings of the 2012 ACM International Conference on Intelligent User Interfaces. Lisbon: ACM, 2012: 189-198.[19] ALONSO O, SHIELLS K. Timelines as summaries of popular scheduled events [C] ∥ Proceedings of the 22nd International Conference on World Wide Web companion. Rio de Janeiro: ACM, 2013: 1037-1044.[20] SHOU L, WANG Z, CHEN K, et al. Sumblr: continuous summarization of evolving tweet streams [C] ∥ Proceedings of the 36th international ACM SIGIR conference on Research and development in Information Retrieval. Dublin: ACM, 2013: 533-542. [21] WANG Z, SHOU L, CHEN K, et al. On Summarization and timeline generation for evolutionary tweet streams [J]. IEEE Transactions on Knowledge and Data Engineering, 2015, 27(5): 1301-1315.[22] LIN C, LIN C, LI J, et al. Generating event storylines from microblogs [C] ∥ Proceedings of the 21st ACM International Conference on Information and Knowledge Management. Maui: ACM, 2012: 175-184.[23] LEE P, LAKSHMANAN L V S, MILIOS E. CAST: a context-aware story-teller for streaming social content [C] ∥ Proceedings of the 23rd ACM International Conference on Conference on Information and Knowledge Management. Shanghai: ACM, 2014: 789-798.[24] SHEN C, LI T. Multi-document s ummarization via the minimum dominating set [C] ∥ Proceedings of the 23rd International Conference on Computational Linguistics.Beijing: Association for Computational Linguistics, 2010: 984-992.[25] WANG D, LI T, OGIHARA M. Generating pictorial storylines via minimum-weight connected dominating set approximation in multi-view graphs [C] ∥ Proceedings of the 26th AAAI Conference on Artificial Intelligence. Toronto: AAAI, 2012: 683-689.。
微博
关于微博传播的调查与思考：社会动员的新力量2013年01月29日 07:21:42来源：光明日报【字号：大中小】【打印】【纠错】调查人：谢新洲、安静、田丽2009年，微博开始在我国兴起，短时间内搅动了整个网络环境，掀起了社会舆论新的波澜。
140个字迸发出前所未有的能量。
微博成为普通网民表达关切、伸张正义和呼吁权利的重要窗口。
微博发出的声音牵引着社会舆论的走向，为实现公民权益提供了新途径，同时也暗含着种种风险。
微博的兴起，犹如拧开了社会舆论的水龙头。
普通网民、社会名流、媒体记者等等竞相在这个平台上发布信息、交换意见，使微博成为各种信息的发源地和集散地。
微博信息传播具有非常高的效率与影响力。
微博中，每一个用户都是一个独立的节点，通过节点之间的互联互通，形成错综复杂的网络。
微博网络基于人际传播又高于人际网络，用户之间的关注分为基于现实生活的“关系网”和基于共同兴趣的“内容网”。
这种结构与我国“熟人社会”的特征相呼应，使微博在用户心中的可信度、归属感大幅提高，进而增加了对微博舆论的认同感。
在传播模式方面，微博具有去中心、多节点、传受合一的特点，使信息可以同时经多中心多次传播，不仅提高了传播的效率，扩大了传播范围，而且通过不断增加新的内容，维持舆论“热”度。
此外，我国微博市场高度集中化，用户多使用新浪微博与腾讯微博，这一格局是电子邮件、博客、论坛等所不及的，因此微博便于把来自各方的信息集中处理，形成强大的意见整合能力，有利于舆论的发酵、形成与传播。
微博信息影响着社会舆论，微博舆论体现着社情民意。
从“微博反腐”到“微博打拐”，展示了微博舆论强大的影响力和动员力，然而“微博谣言”和“微博对掐”让人不得不担心微博的舆论环境。
为了掌握微博在舆论形成与扩展中的作用，北京大学新闻与传播学院在开展的“第二次互联网影响力调查”中对此进行了专题研究。
微博用户特点及使用特征用户是形成并推动舆论发展的重要基础。
微博用户有的积极发布原创新闻或者评论，丰富信息内容；有的转引其他媒体或渠道的信息，推动多级传播；有的通过“关注”形成“围观”力量。
基于分形技术的微博虚假信息识别方法及应用的开题报告
基于分形技术的微博虚假信息识别方法及应用的开题报告一、研究背景及意义随着互联网的不断发展，社交媒体的应用已经成为人们日常生活中不可或缺的一部分，微博作为中国最大的社交媒体之一，每天有数以亿计的用户使用其传播信息。
然而，随着微博用户数量的不断增加，虚假信息的出现问题日益严重，这些虚假信息往往会对社会造成极大的影响，甚至引发重大事件。
因此，有效地识别微博虚假信息已经成为一个亟待解决的难题。
传统的微博虚假信息识别方法主要基于机器学习、文本挖掘等技术，这些方法往往需要大量的训练样本和专业知识，且容易受到攻击者的干扰。
因此，需要探索一种新的微博虚假信息识别方法，以更好地保障社交媒体信息的安全和可靠性。
二、研究内容本研究将基于分形技术，探索一种新的微博虚假信息识别方法，并将其应用于微博虚假信息的实时监测和预警。
具体而言，本研究的研究内容包括以下三个方面：（1）基于分形分析技术，探讨微博虚假信息的特征模式，建立虚假信息的数学模型。
（2）利用深度学习、模式识别等技术，构建虚假信息检测模型，并通过大量实验验证其有效性和可靠性。
（3）基于开放数据接口，实现微博虚假信息识别系统，并进行实时监测和预警。
三、研究方法本研究将采用如下研究方法：（1）文献综述：对现有微博虚假信息识别方法进行综述和分析，探究其存在的问题和不足。
（2）分形分析：基于分形分析方法，提取微博虚假信息的特征模式，建立虚假信息的数学模型。
（3）模型构建：利用深度学习、模式识别等技术，构建虚假信息检测模型，并通过大量实验验证其有效性和可靠性。
（4）系统实现：基于开放数据接口，实现微博虚假信息识别系统，并进行实时监测和预警。
四、预期成果本研究的预期成果包括：（1）探讨微博虚假信息的特征模式，建立虚假信息的数学模型。
（2）构建虚假信息检测模型，并通过大量实验验证其有效性和可靠性。
（3）实现微博虚假信息识别系统，并进行实时监测和预警。
（4）发表一篇相关的学术论文，介绍本研究的方法和成果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
［ 1 1 ］
“
”
容展 现 给 受众 把 关人 者等 相关人员 都可能 在 实际 操作过程 中 充 当
出来
，
以 及采 用 什 么 样 的 形 式 将 该 内
。
包括 记 者
的角 色
（
、
编辑
、
广 和
“
把关 内 容有 所 区 别 定
，
一
）
。
般 而言
出
“
：
美 国 著名 传 播 学者 希亚 姆
：
？
桑达尔
、
（
Ｓ ｈ ｙ ａｍ Ｓｕ ｎ ｄ ａ ｒ
）
曾指
数 字媒 体时 代 给 我 们 带 来 了 双重 挑 战
；
1
．
信息
娱 乐 和 其他 服 务 的 过 载 使得
一
内 容 本 身 需要 不 断 地 组 织 与 结 构 化
2
．
信息 内 容 的质 量 缺乏
，
）
网站系
统 提供数 据
‘
ｓｙ ｓｔ ｅ ｍ
ｐ
ｒｏ ｖ ｉ ｄ ｅ
ｄ ｄ ａ ｔ ａ
）
的唯
3
；
．
一
可 识别 身 份
自
”
；
2
．
拥 有可公开
的
能够被 其他 用 户 査 看 和追 踪 的社 会 网 络 关系
’
，
能 够通 过
）
身 在 网 站 上 的社 会
［
网 络 关系
还有
一
参 与 用 户 生 成 内 容 的 消 费 生产 和 或 互 动 部 分学者 尝 试 采 取分 类列 举 法对 社会 化媒 体进行 归 纳
” （
致性
，
用户 需 要时刻
对信息 内 容 的 可 信度 保持 警惕
近 年来
，
”
［
1 ］
。
“
随着
一
系 列被称为
社 会 化 媒体
Ｓ ｏ ｃ ｉａ ｌ Ｍ ｅ ｄ ｉａ
）
的 网 络应 用 迅 速 崛
，
起
，
互联 网 时 代 的 交互方式被 推 进 到 了 全 新 的 阶段
；
好 地 利 用 其人 脉 资 源
但是
，
对 于 用 户 如 何 在 社 会化媒体 平 台 上 对 信息 源 可 信度 作 出 判 断这
Ｍ
［
问题 我 们还 知之甚少
3
．
。
社 会化 媒体 信 息 源 可信 度 研 究 最新 进 展
，
尽管 社 会 化 媒 体 平 台 本 身 的 媒 介 可 信 度 也 十 分 值 得 关 注
（
但正如 托森
一
，
博主
（
信息 源
）
的知识水
用 户 需要对
）
自
”
信息的 可信度 作 出 判 断
”
2
］
。
针 对这
ｇ
）
一
变化
：
，
布伦斯
“
（ ”
Ｂ ｒｕ ｎ ｓ
在
“
把 关人
的 基 础 上 提 出 了 看 门 人
（
ｇ
ａｔ ｅ ｗ ａ ｔ ｃ ｈ ｉ ｎ
的 概念
看门 人
“
无 法 控 制 传播 内 容 本
，
身
，
但却 能 促使
一
一
、
9
］
（
。
。
就 目 前而 言
、
，
社
目
会化媒体 包括 博 客
（
、
社交网 站
）
［ 1
、
微 博客
。
、
媒 体 分享 网 站／内 容 社 区
，
合作 创造 项
例 如 维 基 百科、知道五 大类°］
此外
还有
，
一
些 学 者将
目
一
部分网 络游戏也 纳 入
到 了 社 会 化媒 体 的 范 围 之 内
．
0
技术
，
实现
《
“
用户创造内容
”
（
ｕ ｓ ｅｒ
ｇ
ｅ ｎ ｅ ｒａｔｅ
ｄ
的 创作与交流
（
［
8
］
。
在
（
2 0
1
3
年出版的
）
牛 津互 联 网 研究手 册》
中
，
美国学者 提供 内 容
埃里森
界定
（
“
：
Ｅ ｌｌ ｉ ｓ ｏ ｎ
）
和 博伊德
一
Ｂ ｏ ｙｄ
从学 术研究 的 角 度 对社 会 化 媒 体 的 概 念 进行 了
：
现 有 的 网 上 信 息 可 信 度 研究 通 常 从 三 个 方 面 展 开
（
媒介
（
ｍｅｄｉ ｕ ｍ
）
、
信 息／内 容
（
ｍ ｅ ｓｓ ａ ｇｅ ／ ｃ ｏ ｎ ｔ ｅ ｎ ｔ
）
和信息 源
）
（
ｓ
ｏ ｕ ｒｃ ｅ
［
1
4
］
）
。
媒介可 信度 是 用 户 对 信息 传播媒 介
［
例如
报纸
（
，
社 会化媒 体是
ｌ ｉ ｅ ｄ ｃｏ ｎ ｔｅ ｎ ｔ ｐｐ
个 网 络 交流 平 台
其 用户
（
：
1
．
拥有包 含用 户
ｐ
ｒｏ ｖ ｉ ｄ ｅ ｄ ｂ
自
己
ｕ ｓ ｅ ｒ ｓ ｕ
）
、
其他用 户 提供 内 容
（
ｃ ｏ ｎ ｔ ｅ ｎｔ
ｙ
ｏ ｔ ｈ ｅ ｒ ｕ ｓ ｅ ｒｓ
）
和
（
或
流行
。
在 世界 范 围 内
，
其兴 起 的 最显著 的 标 志 是社 交 网 站 的 出 现 与 广 泛 全 球 社 会 化媒 体 用 户 有 望 在 2 0 7 年 达 到 近 2 6 亿 人 社会 化
，
7
［
］
1
。
媒体最 基 本 的 特 征是 基 于
ｃ ｏ ｎ ｔｅ ｎ ｔ
）
Ｗ ｅｂ 2
内
，
在把关过程 中
，
把关 人应 对 信息 的 准 确 性 进行 鉴
。
因 而 其 在 保证信 息 真实 性 方 面 扮 演 着 十 分 重 要 的 角 色
，
在以
一
用户创造 内容
，
”
为 核 心 的 社 会 化 媒体 中
己浏 览的
“
容 生产 者 与 消 费 者实 际 上是合 二 为
［ 1
的
2 6
［
姜
平
（
Ｋａｎ
ｇ
）
社交 媒体 平 台 的 媒 介 可 信 度 则 是 增 强 这种 互 动 关 系 的 关 键 采 用 焦 点 小 组 法 就 用 户 如 何 对博 主 可 信度 作 出 评 估 问 题进 行 了 研 究
（
］
。
。
参
与 者 表示
、
，
博主
信息源
、
）
身 份是 首 先被 考 量 的 因 素
，
越 来 越 多 的 组 织 开 始 在社 会 化媒 体 平 台 上 提 供 服 务
2 0
1
3
］
。
然而
从美
新 闻 与 传 播 研 究
5
年第
4
期
社 会 化 媒 体 信 息 源 感 知 可信 度 及 其 影 响 因 素 研 究
联社推 特账户 被盗 用 于 发 布 的 奥 巴 马 遇 剌 消 息
部 分 内 容 和 信息 源 为 更 多 的 内 容 消 费 者 所 知
。
例如
，
在新 浪微 博
或 推 特上 发 布
更 广 为 人知
［ 1
个链接 并 留 言 简 介 其 内 容
自
简 而 言之
，
看门人
”
可 以 促 使 已 有 信息
3
］
。
作为
己的
“
看门人
”
，
用 户 如 何 对 社会 化 媒 体信 息 的 可 信 度 作 出 判
，
现已有
一
系列 研究 围 绕信息
前学界的共识
［
，
学 者们 普 遍认 为 受 众 对 于信 息 源 可 信 度 的
，
感知 可 以 划 分 为 三 个 维度
2°
］
：
专 业／ 能 力
即 对 于传 播 者 是否 知 道 真 相 的 感 知
；
；
诚
信
，
即 对 于传 播 者 是 否 会 说 出 真 相 的 感 知
Ｔ ｈ ｏ ｒｓ ｏ ｎ ）
”
［
和摩尔
2 5
］
（
Ｍ ｏｏ ｒ ｅ
）
指出的
“
，
可信 度 对 于 信息 的 传播 者 和 传 播 媒 介 而 言 同 益成 为 学 界关注 的 重 点
，
样重 要
知
，
。
传 播 者 感 知 可 信 度 的 高 低 也 直 接 影 响 着 其 所 传播 的 信 息 内 容 的 可 信 度 感
。