2025《谣言检测算法研究的国内外文献综述》5000字.docVIP

谣言检测算法研究的国内外文献综述

谣言检测的前提是以谣言为基本对象。自古以来，有人的地方就会有谣言，关于谣言的研究不仅局限于单个学科的研究，而是横跨心理学、社会学、政治学、历史学、传播学等众多学科的交叉研究，因而每个学科都从自己的视角来定义和分析谣言。所以，学者们往往根据各自的研究来定义谣言，导致谣言至今为止并没有非常明确统一的定义。

翻阅词典REF_Re\r\h[2]可以找到谣言词语的定义：1.指没有事实存在而捏造的话。2.没有公认的传说。3.民间流传的评议时政的歌谣，谚语。“谣”字本身含义是指凭空捏造的不可信的话，自互联网时代以来，谣言的传播方式从口口相传转变为网络上的文字、图片、音频或视频等方式传播。

查阅相关文献，关于谣言的定义各有不同之处，尽管当前情报学界并未对谣言进行明确的定义与声明，但大部分研究均认为谣言存在于网络空间、社交圈等信息环境中，传递于用户之间，并受到公众关注的虚假信息REF_Re\r\h[3]。文本谣言的定义指的是在网络社交工具中传播的没有事实依据或故意捏造的消息。

所谓谣言检测就是将谣言从所有与本事件相关的真实事件中检测出来虚假的、人为捏造的事件，利用谣言的特征，或者跟谣言传播相关的特征，结合谣言检测模型，将谣言准确的检测出来。谣言检测主要目的在于发现网络谣言，追溯到谣言的制造者，采取辟谣的方法来停止谣言的散播，以此来减小谣言所带来的损失与危害。现在的谣言检测方法大多要依靠辟谣平台，需要网友慧眼识谣并主动举报，这样的方法效率低，虽然可以检测出谣言，但还是需要智者来识别，由机器来检测出谣言就变得非常有必要。

迄今为止，谣言检测都被当作是二分类任务。谣言检测最先以传统的机器方法出现，先手动提取特征，再进行分类器搭建。2016年深度学习方法中的循环神经网络被用来进行谣言检测，它可以自动提取特征，省去手工的麻烦，之后越来越多的深度学习方法被广泛应用于谣言检测。

1.3.1基于传统方法的谣言检测

从目前来看，谣言检测分为传统机器学习方法和深度学习方法两类。谣言检测在机器学习方面，主要采用贝叶斯REF_Re\r\h[5]、决策树REF_Re\r\h[6]-REF_Re\r\h[8]、支持向量机REF_Re\r\h[9]、隐马尔可夫模型REF_Re\r\h[10]、随机森林REF_Re\r\h[9]等方法。学者们通常将其视为二分类任务，即分类为谣言和非谣言。

最开始是在推特上进行谣言检测的。2011年QazvinianREF_Re\r\h[5]等人，他们通过分析推特信息的文本内容特征，构建贝叶斯分类器和集成分类器来识别谣言。同年，CastilloREF_Re\r\h[6]等人从推特帖子中提取特征，并将其分成基于内容的特征，基于用户的特征，基于传播的特征等，采用J48决策树方法进行的谣言检测。之后KownREF_Re\r\h[52]等人利用随机森林方法来进行谣言检测，取得了较高的精确度。DayaniREF_Re\r\h[13]等人提取了用户特征和内容特征，并采用KNN分类器和NB分类器在推特进行检测谣言。Al-KhalifaREF_Re\r\h[14]等人、Gupta等人REF_Re\r\h[15]以推特为研究平台，提取帖子的文本特征和用户特征，构造决策树分类器进行谣言检测。MaREF_Re\r\h[9]等人提取了用户特征、内容特征和传播特征，同时提出上下文特征，在推特数据集上采用线性SVM分类器分别与DT方法、随机森林方法以及SVM-RBF方法作比较，实验结果可以明确看出，该文提出的方法提高了谣言检测精确率并且缩短了用时。

而在新浪微博中最早进行谣言检测的是YangREF_Re\r\h[50]等人在2012年提出新的可以应用的用户特征，利用具有RBF核函数的SVM分类器进行了谣言检测。LiangREF_Re\r\h[11]等人提出利用5个新的用户行为特征，构建决策树分类器进行谣言检测。CaiREF_Re\r\h[12]等人，对信息接收者的行为特征进行分析，以用户的评论行为为重要特征进行判断，通过分析转发、评论以及文本特征，应用机器学习的