基于自注意力的图神经网络在社交网络谣言检测中的应用研究综述.docVIP

基于自注意力的图神经网络在社交网络谣言检测中的应用研究综述

一、社交网络谣言检测的研究背景与挑战

随着移动互联网和社交媒体平台的深度普及，信息传播的门槛被大幅降低，普通用户既可以是信息的接收者，也可以成为信息的发布者和传播节点。这种去中心化的传播模式在加速信息流动的同时，也为谣言的滋生和扩散提供了温床。与传统环境下的谣言相比，社交网络中的谣言具有传播速度快、覆盖范围广、溯源难度大、危害性强等典型特征，不实信息可能在短时间内引发公众恐慌、扰乱社会秩序、损害公共利益，甚至对国家安全构成潜在威胁。因此，精准、高效的谣言检测技术已经成为网络空间治理领域的核心研究方向之一。

早期的谣言检测研究主要围绕文本特征展开，研究者通过提取谣言内容中的词汇特征、句法特征、情感倾向等，结合传统机器学习模型如支持向量机、朴素贝叶斯、随机森林等实现分类。这类方法在早期数据集上取得了一定效果，但存在明显的局限性：首先，单一文本特征容易被谣言发布者规避，发布者可以通过修改措辞、模仿正规信息表述方式绕过检测；其次，文本特征无法捕捉信息传播过程中的结构信息，而社交网络中的谣言传播本身就是一个动态的、基于用户关系网络的扩散过程，传播路径、传播节点特征、传播过程中的互动模式等都对识别谣言具有关键作用；此外，传统方法难以处理大规模、实时性的传播数据，随着社交网络用户规模达到数亿级，传统特征工程的成本和效率问题愈发突出。

深