Detecting Fake News Over Online Social Media via Domain Reputations and Content Understanding

Fake news has recently leveraged the power and scale of online social media to effectively spread misinformation which not only erodes the trust of people on traditional presses and journalisms, but also manipulates the opinions and sentiments of the public. Detecting fake news is a daunting challenge due to subtle difference between real and fake news. As a first step of fighting with fake news, this paper characterizes hundreds of popular fake and real news measured by shares, reactions, and comments on Facebook from two perspectives:domain reputations and content understanding. Our domain reputation analysis reveals that the Web sites of the fake and real news publishers exhibit diverse registration behaviors, registration timing, domain rankings, and domain popularity. In addition, fake news tends to disappear from the Web after a certain amount of time. The content characterizations on the fake and real news corpus suggest that simply applying term frequency-inverse document frequency(tf-idf) and Latent Dirichlet Allocation(LDA) topic modeling is inefficient in detecting fake news,while exploring document similarity with the term and word vectors is a very promising direction for predicting fake and real news. To the best of our knowledge, this is the first effort to systematically study domain reputations and content characteristics of fake and real news, which will provide key insights for effectively detecting fake news on social media.     

虚假新闻的危害及对策之我见

虚假新闻缘于新闻工作者满足受众的心理需求,缘于激烈的媒体竞争,也缘于新闻自身容易造假.通过采取完善的用人机制、强化行业自律性以及加强新闻工作者的职业道德和职业素养等措施,避免虚假新闻对社会造成更多危害.     

论新闻传播中人文精神的缺失

新闻是对新近发生的事实的报道。在新闻传播过程中,媒体不仅要关注新闻的传播效应,更应该重视传播中人文精神的弘扬。媒体作为具有公信力的信息传播平台,倡导人文精神是其义不容辞的社会责任。     

基于拓展关键词信息的对话生成模型

在对话过程中,人们通常根据对方上一句话的关键词做出相应的回复。为了生成与关键词含义相关的回复,提出了拓展关键词信息注意力机制的对话生成模型。首先从输入语句中提取关键词,然后根据关键词词向量余弦相似度找出与关键词相关的词语构成拓展关键词集合,将集合中词语的词向量通过注意力机制的方式加入解码过程来影响回复生成。在中文微博数据集及英文Twitter数据集上的实验表明,该模型在回复语句的相关性及多样性方面取得了优于其他模型的结果。     

基于情感信息预处理和Bi-GRU的虚假评论识别模型

虚假评论识别在电子商务、社交媒体等领域具有重要的应用价值。尽管现有虚假评论识别模型融合了文本的情感信息,但在预训练过程中忽视了对情感信息的提取,导致准确率不高。针对此问题,本文提出一种基于情感信息预处理和双向门控循环单元(Bidirectional Gated Recurrent Unit, Bi-GRU)的虚假评论识别模型(FR-SG),用于提高虚假评论识别的准确率。首先,通过Albert模型获取文本的语义向量;然后,使用词频-逆文本频率(Term Frequency-Inverse Document Frequency, TF-IDF)和K-均值(K-means++)聚类的方法从评论中挖掘情感种子词,基于种子词对文本中的属性词和情感词进行掩码(mask);接着,使用面向情感的目标优化函数,将情感信息嵌入到语义表示中,生成情感向量;最后,将这两组向量的拼接结果输入虚假评论识别网络中,得到文本的分类结果。实验结果表明,相较于Bi-GRU+Attention模型,FR-SG提高了虚假评论识别的准确率。     

浅析新闻语言的弊病及其原因

新闻语言是通过新闻媒介,向人们报道新近发生的事实、传播新闻信息的载体之一。它作为媒体传递信息的工具,是一种对社会影响颇大的公共语言行为。时下新闻语言却出现了一系列的问题,已经严重的影响到新闻媒体的自身发展和社会用语的纯净。为了使新闻语言沿着科学、健康的方向发展,本文主要具体阐述了新闻语言弊病的表现形式和原因,希望能给新闻语言的规范提供帮助。     

An Attention-Based Neural Framework for Uncertainty Identification on Social Media Texts

Uncertainty identification is an important semantic processing task. It is crucial to the quality of information in terms of factuality in many applications, such as topic detection and question answering. Factuality has become a premier concern especially in social media, in which texts are written informally. However, existing approaches that rely on lexical cues suffer greatly from the casual or word-of-mouth peculiarity of social media, in which the cue phrases are often expressed in substandard form or even omitted from sentences. To tackle these problems, this paper proposes an Attention-based Neural Framework for Uncertainty identification on social media texts, named ANFU. ANFU incorporates attention-based Long Short-Term Memory(LSTM) networks to represent the semantics of words and Convolutional Neural Networks(CNNs) to capture the most important semantics. Experiments were conducted on four datasets, including 2 English benchmark datasets used in the CoNLL-2010 task of uncertainty identification and 2 Chinese datasets of Weibo and Chinese news texts. Experimental results showed that our proposed ANFU approach outperformed the-state-of-the-art on all the datasets in terms of F1 measure. More importantly, 41.37% and 13.10% improvements were achieved over the baselines on English and Chinese social media datasets, respectively, showing the particular effectiveness of ANFU on social media texts.     

构建和谐社会的进程中把握好群体性事件的报道

随着社会转型和经济转轨,出现了不同的利益群体和不同的利益诉求,形成了复杂的利益关系格局,一些涉及群众切身利益的问题,往往演化成社会不稳定的因素。新闻媒体承担着引导舆论的重责,在维护社会公正方面具有特殊的作用,是保障人民群众根本利益的重要途径,对构建和谐社会意义重大。因此,群体性事件的报道成为对新闻媒体的一种考验,新闻媒体必须把握好对群体性事件的报道。     

基于知识图谱和图像描述的虚假新闻检测研究

针对传统虚假新闻检测方法主要采用图像统计学和图像分布式表示特征导致没有深层次挖掘图像所表达的文字含义的问题,设计了在融合知识图谱和图像描述的深度学习下的多模态虚假新闻检测模型.该模型一方面抽取出在新闻文本中的3元组形式知识图谱,另一方面生成图像对应的描述文本,同时采用Bert框架将原文本、3元组、图像描述文本加以集成.在基准汉语虚假新闻语料库上的实验结果表明:该模型显著优于传统的代表性方法.     

“十大假新闻”背后的传媒无痛伦理观及其问责诉求

我国新闻界对＂十大假新闻＂的不正常反应以及假新闻的蔓延,折射出无痛伦理观在我国新闻界的流行,其反映出的深层次问题为建构传媒问责制提出了现实诉求。     

网络新闻产生失实现象的原因及对策

网络新闻产生失实现象的原因主要有以下几点:第一,网络媒体的交互性特点使得各种信息包括有害和虚假信息可以随时随地发布;第二,互联网信息发布出口的多元化环境和信息源的多元化,使因特网成为一个无中心的开放性系统;第三,网络媒体所特有的技术优势也为网络新闻的真实性蒙上了面纱;第四,网络新闻传播中无把关人、无中央控制性的特点成为核实新闻真实性的障碍;第五,网络新闻的速度竞争是产生网络假新闻的重要原因。对此,我们应制定和完善相关政策法规,用行政和法律的手段全面封杀造假者;要实行媒体问责制,出了问题追究媒体第一责任人的责任,强化媒体的把关意识;要加强对编辑记者的培训,提高其识别虚假新闻的能力;要加强网络新闻工作者的职业道德建设,一旦发现虚假新闻,立即更正并尽量清除,以防误导更多人。     

基于个人-群体-商户关系模型的虚假评论识别研究

从评论利益相关者内容与行为特征相结合的角度,提出一种基于个人–群体–商户的主体关系模型(IGMRM)。选择93家店铺中9558个不同IP的97804条评论作为样本数据进行实验,结果表明,IGMRM在识别虚假评论者、存在信用操纵的商铺以及虚假评论者群体的F1值分别达到82.62%、59.26%和95.12%。使用基于评论内容的逻辑回归模型和K最邻近模型作为基线分类方法,识别虚假评论者的F1值分别为52.63%和76.75%,表明IGMRM在识别虚假评论者方面优于传统方法。     

使用社交媒体能提升用户的社交自我效能感吗?

通过对使用新浪微博的204名大学生的调查, 发现线上社会支持、社交媒体使用和社交自我效能感之间显著相关, 它们之间的关系因社会支持类型的不同而各有特点: 把社会支持看成一个整体时, 社交媒体上的社交互动在线上社会支持对社交自我效能的影响中起调节作用, 随着社交媒体的社交互动增多, 线上社会支持对社交自我效能感的正性影响越来越显著; 而从线上社会支持的归属感维度讲, 社交媒体上的社交互动在线上社会支持和社交自我效能感之间起完全中介作用, 归属感促使大学生更多地在社交媒体上进行社交互动, 由此提升其社交自我效能感。研究结果可为理解人们为什么喜欢使用社交媒体以及线上行为如何影响线下心理与行为提供启示。     

一种结合文章信息的新闻评论情感分析方法

新闻评论表达了人们对新闻事件的看法与态度, 因此对新闻评论进行分析具有潜在的应用价值. 传统的情感分析方法仅对评论文本进行分析, 忽略了新闻文章主题及语义信息对评论的影响. 针对这个问题, 提出了一种基于支持向量机和 $K$ 均值聚类的情感分析方法, 将新闻文章信息对评论情感的影响因素引入到新闻评论的情感分类中. 实验结果证明了该方法在新闻评论情感分析任务中的有效性.     

浅议灾难性报道中的话语权争夺以“马航”失联事件报道为例

各国媒体针对“马航”失联事件展开了激烈的新闻战,而我国媒体在此类灾难性报道话语权竞争中暴露出诸如舆论引导策略性不够、信息寻求主动性不高、分析解读专业性不强、新闻采编创新性不足等问题,要提升我国媒体在国际社会上的话语权,必须创新媒介体制机制、培育新闻专业精神、拓展媒介信息来源,不断增强我国新闻媒体的软实力。     

新媒体时代的"副刊"与新闻文学

新闻文学是以当前发生的新闻事实为由头和题材,用文学创作手法创作出来,通过新闻媒体及时传播的、具有一定导向性和大众阅读品味的文学作品。新闻文学是基于报纸副刊的诞生而诞生,又随着新型副刊的出现而发展的。随着新媒体时代的到来,报纸、期刊、广播、电视、网络、手机相互借鉴,产生新型的“副刊”形态,新闻文学的种类也更加多样化,使新闻文学呈现又一个高峰。     

基于演化聚类的社交媒体舆情分析方法综述

当前,社交媒体已经成为人们发布和获取信息的最主要渠道之一。由于大量用户的参与,社交媒体平台上已累计了海量的舆情数据,并且还在以指数级增加。如何发现和跟踪社交媒体中舆情变化是当前数据挖掘领域研究的热点问题之一。基于演化聚类的方法是分析社交媒体舆情的一类主要方法。主要从主题模型和矩阵/张量分解模型两方面来总结当前基于演化聚类的舆情分析方法,并且分析这两类方法的优缺点;最后对下一步研究进行了展望。     

基于改进高斯滤波网络的深度伪造检测方法

针对滚动轴承传统故障诊断方法训练收敛速度慢、识别准确率不高、抗针对虚假视频的检测中,特征噪声多、数据量大和检测准确率低的问题,提出一种改进高斯滤波对地标点进 行去噪和改进深度网络模型来提升精度的算法(IGFNet);算法将高斯滤波拓展到空域和值域上,在滤除低频噪声的同时尽可能保留高频噪声,使得在后续特征数据的处理中,标记点的精度得以提升;采用特征化的数据代替原始数据以减少数据量,使得送入网络的数据量大大缩小,有效缩短了训练时长和减少了网络参数量,在实际应用中可以增加鉴别虚假视频的效率;并且针对人脸属性特征点的差异采用不同深度的双流神经网络,从而更加有效地学习如何鉴别虚假视频。 实验表明:改进高斯滤波网络算法(IGFNet)有效地增加了真假脸检测的准确率,在与当前 较为优秀的方法如 Meso4,Xecption,LRNet 等的对比下,IGFNet 的准确率均有不同程度的提升,在跨数据集的测试上提升尤为明显;在压缩过的虚假视频测试中,IGFNet 的泛化下降程度最低,显示了较强的鲁棒能;通过改进网络加入梯度热力图以直观判断出 IGFNet 对于深度伪造图片的鉴别能力。     

基于深度学习的中医古文献临床经验抽取

中医古文献蕴藏着丰富的临床经验，是古代中医在行医过程中对临床诊疗的经验性总结，体现了中医学形成和发展的理论框架和思想基础.然而这些宝贵的临床经验不仅量大，而且分散在不同的文献中，使得中医从业者手工很难快速全面地获取它们，文献检索工具也只能提供文档级别的信息筛选，无法为这种细粒度的信息获取提供支持.此外，古汉语相对于现代汉语的不同特点也限制了主流文本分析工具的使用效果.为此本文提出面向临床经验获取的中医古文献信息抽取任务，用于识别古文献中描述临床经验的文本片段，手工标注了样本数据用于这种抽取模型的训练和测试，并设计了基于深度学习的序列标注器用于完成该任务.考虑到标注数据量小可能带来的过度拟合问题，本文引入对抗训练和虚拟对抗训练来增强模型的泛化能力.一系列充分的实验验证了模型的有效性，表明利用信息抽取技术从古文献获取中医临床经验具有可行性，为这一新的信息抽取任务提供了有希望的研究基线和可复用的标注数据集.     

新闻媒体道德失范现象成因与对策研究

当前,在全球化与市场经济环境下,新闻传播得到了长足的发展。但是,各种新闻道德失范现象也日益突出,如虚假新闻、有偿新闻、新闻侵权等行为,因此,要采取各种措施,强化新闻媒体的道德建设,构建良好的媒体生态。