基于图卷积网络的社交网络谣言传播预测与控制.docxVIP

PAGE2

基于图卷积网络的社交网络谣言传播预测与控制

摘要

随着移动互联网技术的飞速发展，社交网络已成为公众获取信息的主要渠道，然而谣言的肆意传播严重扰乱了社会秩序。传统的谣言检测方法多依赖于人工特征提取，难以捕捉信息传播过程中的复杂拓扑结构，导致预测精度受限。本课题旨在构建一个基于图卷积网络（GCN）的谣言传播预测与控制系统，通过深度学习技术自动学习传播图特征，实现对热点话题的早期识别与谣言爆发节点的精准预测。

本文首先分析了社交网络谣言传播的现状与痛点，确立了以图神经网络为核心的技术路线。在需求分析阶段，明确了系统需具备数据采集、图构建、模型训练及可视化预测四大核心功能。总体设计中，采用了分层架构思想，设计了数据层、服务层与表现层，重点解决了非结构化社交数据向结构化图数据的转换问题。详细设计部分，构建了基于用户交互的传播图模型，设计了多层GCN网络结构，并制定了相应的谣言控制策略。系统实现阶段，基于Python与PyTorch框架完成了全流程开发，并针对大规模稀疏图的计算效率问题进行了优化。

测试结果表明，本系统在公开数据集上的谣言检测准确率达到92.5%，相较于传统机器学习方法提升了约8个百分点。本课题的创新点在于提出了一种融合用户属性与传播拓扑结构的图构建方法，有效解决了单一文本特征依赖的问题，为社交网络治理提供了有效的技术支撑。

第一章绪论

1.1研究背景

近