基于信息传播序列图构建的时序感知图神经网络算法在虚假检测中的应用.pdfVIP

基于信息传播序列图构建的时序感知图神经网络算法在虚假检测中的应用1

基于信息传播序列图构建的时序感知图神经网络算法在虚假

检测中的应用

1.引言

1.1研究背景与意义

信息传播在当今数字化时代扮演着至关重要的角色。随着社交媒体和互联网平台

的飞速发展，信息传播的速度和范围达到了前所未有的高度。然而，这种快速的信息传

播也带来了虚假信息泛滥的问题。虚假信息不仅误导公众，还可能引发社会恐慌、影响

社会稳定，甚至对个人的名誉和权益造成损害。例如，在2020年疫情期间，虚假信息在

社交媒体上广泛传播，导致公众对疫情的误解和恐慌，甚至引发了抢购潮等社会问题。

传统的虚假信息检测方法主要依赖于内容分析，如文本相似性、关键词匹配等。然

而，这些方法存在明显的局限性。一方面，虚假信息的制作者越来越善于伪装内容，使

其与真实信息难以区分；另一方面，仅从内容角度分析无法考虑信息传播的动态过程和

社交网络中的复杂关系。

近年来，图神经网络（GNN）在处理图结构数据方面取得了显著进展，为虚假信息

检测提供了新的思路。图神经网络能够有效捕捉节点之间的复杂关系，通过学习节点的

嵌入表示来识别虚假信息。然而，现有的图神经网络方法大多忽略了信息传播的时序特

性。信息传播是一个动态过程，不同时间点的信息传播模式和节点之间的关系会不断变

化。因此，构建一个能够感知时序信息的图神经网络算法对于提高虚假信息检测的准确

性和效率至关重要。

基于信息传播序列图构建的时序感知图神经网络算法，能够更好地模拟信息传播

的真实过程。该算法通过引入时间维度，将信息传播序列建模为动态图结构，从而捕捉

信息传播的时序特征。例如，在社交媒体平台上，一条信息的传播路径和传播速度可以

反映其真实性和可信度。真实信息通常在特定的社交圈子中缓慢传播，而虚假信息往往

通过大量虚假账号快速扩散。

此外，时序感知图神经网络算法还可以结合节点的属性信息和传播路径的特征，进

一步提升检测效果。例如，通过分析信息传播过程中节点的活跃度、影响力以及传播路

径的异常模式，可以更准确地识别出虚假信息的传播路径。

综上所述，研究基于信息传播序列图构建的时序感知图神经网络算法在虚假信息

检测中的应用，不仅具有重要的理论意义，还具有广泛的社会价值。它能够为社交媒体

平台和相关机构提供更有效的虚假信息检测工具，帮助维护网络空间的清朗和稳定。

2.信息传播序列图与时序感知图神经网络基础2

2.信息传播序列图与时序感知图神经网络基础

2.1信息传播序列图构建方法

信息传播序列图是基于信息在社交网络中的传播路径构建的图结构，它能够有效

记录信息传播的动态过程。构建信息传播序列图的关键在于准确捕捉信息传播的时间

顺序和节点之间的传播关系。

首先，需要对社交网络中的信息传播事件进行数据收集。通过爬取社交媒体平台的

数据，获取每条信息的发布时间、传播路径以及涉及的用户节点。例如，在Twitter平

台上，可以利用其API接口获取推文的转发链，从而确定信息的传播路径。

然后，根据收集到的数据，将信息传播过程建模为一个有向图。图中的节点代表用

户，边代表信息从一个用户传播到另一个用户的关系。边的权重可以根据信息传播的时

间间隔和传播频率来确定。例如，如果一条信息在短时间内被大量用户转发，那么对应

的边权重可以设置得较高，表示信息传播的强度较大。

此外，还可以引入节点的属性信息，如用户的活跃度、影响力等，作为节点的特征

向量。这些属性信息可以通过分析用户的历史行为数据来获取。例如，用户的活跃度可

以通过其每天发布和转发的推文数量来衡量，用户的影响力可以通过其粉丝数量和被

转发次数来评估。

通过以上方法构建的信息传播序列图，能够全面地反映信息传播的动态过程和节

点之间的复杂关系，为后续的时序感知图神经网络算法提供了丰富的数据基础。

2.2时序感知图神经网络原理

时序感知图神经网络（TemporalGraphNeuralNetworks,TGNN）是一种能够处理

图结构数据中时序信息的神经网络模型。它在传统的图神经网络基础上引入了时间维

度，能够更好地捕捉节点之间的动态关系。