题目

基于CNN-GRU复合网络模型的

微博谣言识别研究

学号

姓名

学院

专业

班级

教学2班

指导教师

一、课题的来源

在当今这个信息爆炸的时代，互联网技术的飞速发展以及社交媒体的广泛普及，无疑极大地加速了信息的传播速度。然而，这种无远弗届的传播力也带来了诸多隐患，尤其是言的泛滥，其危害之深、影响之广，已不容忽视[1-3]。本研究以微博这一极具代表性的社交媒体平台为切入点，深入探讨了言的广泛传播所带来的问题，并提出了一套基于多特征融合与先进算法的谣言识别方案。

微博，作为国内最大的社交媒体平台之一，拥有数亿活跃用户，每天产生着海量的信息。这些信息中，既有真实、有价值的新闻资讯，也不乏虚假、误导性的谣言。这些谣言一旦在微博上广泛传播，不仅会对个人造成名誉损害、经济损失，还可能引发社会恐慌、破坏社会稳定[4-6]。因此，如何有效识别和遏制谣言的传播，成为了亟待解决的重要问题。

二、本课题国内外研究动态

（一）国内研究动态

钱榕（2024）谣言传播的速度越来越快，传播的范围越来越广。社交媒体和互联网的普及使得谣言可以在短时间内迅速传播，给个人、组织和社会带来负面影响，因此，对谣言传播进行研究具有重要意义[7]。目前已有大量文献研究社交网络中的谣言传播问题，但较少考虑禁言机制对谣言传播与辟谣模型的作用，而禁言对维护社交网络的秩序与安全具有现实意义。为此，在经典SIR谣言传播模型的基础上，提出一种考虑禁言机制的谣言传播与辟谣模型，从竞争性创新扩散角度建立其数学方程。此外，通过对该模型进行实验仿真，研究禁言周期、记忆时长、遗忘率等因素对谣言传播的影响。实验结果表明，抑制策略在多数情况下能够对谣言传播起到有效的控制效果，然而，增大禁言周期可能并非最佳方案，较低的遗忘率、较长的记忆时间和提高公信力对谣言传播控制也十分重要[8]。

龚军（2023）研究表明突发公共事件网络舆情的一般特征为事件突发性、舆情焦点转换快速、参加者隐匿性强及舆情信息不能客观翻译真实状态等。在处理突发公共事件网络舆情过程中，应准确把握先机、科学应对、迅速处置，牢牢把握突发公共事件网络舆情的处置方式的主动权及话语权[9-11]。本文从突发公共事件网络舆情的现状分析、成因分析、策略应对等方面进行了研究，以期为有效提升政府应对突发公共事件网络舆情的治理能力和监控能力水平提供相关研究参考。

胡淼（2023）指出随着移动终端的普及，人们发布信息、传递信息的能力和速度得到空前提升，但也使网络谣言不断滋生。微博以其强人际传播关系、传播范围广、传播速度快的特点成为网络谣言的一个主要滋生地。微博谣言常常内容模糊、形式多样、不易辨别，给平台进行网络治理带来了一定难度，对网络环境安全和社会稳定造成了恶劣的影响[12]。文章通过研究现存的微博运用人工智能识别谣言的技术，发现该技术治理逻辑是“锁定信息、判断信源；抽取信息，对比文库；监控传播路径，追溯传播源”。通过对这一技术治理过程的研究，发现该技术存在着造成用户隐私泄露、谣言治理效果欠佳等困境。最后通过文献分析法，总结“AI识谣”技术在微博谣言治理上可优化的路径有：提高对用户隐私的敏感性，谣言识别模式由检测式向预测式改变，结合区块链、大数据技术等共同治理，提高“AI识谣”技术在微博谣言识别上的效率和效果，希望从源头上遏制微博网络谣言的传播，通过对技术的改进侧面提高网民的媒介素养，打击网络谣言泛滥的现象，营造清朗的网络空间[13]。

尹积栋（2023）研究表明在当今发达的信息社会,大量社会热点在以微博、论坛为代表的社交媒体平台迅速生成、发酵和扩散,由于发布门栏低,缺乏监管,带来了虚假信息的泛滥,深入校园调查研究网络谣言治理过程中存在的主要问题并进行分析,有针对性地对校园网络谣言治理提出借鉴建议，这对探索、实践与丰富大学校园文化生活具有重要意义[14]。本文通过分析校园网络谣言制造方式、文本句式特征和文本情感三方面进行分析,探索情感特征文本在谣言传播机制上的作用,为防范校园网络谣言提供新路径,为构建校园网络谣言管理长效机制奠定研究基础。

朱梦蝶（2022）对社交媒体中的健康谣言相关研究进行系统剖析，有助于拓展健康信息学的研究视野，为健康谣言的科学治理提供参考借鉴。[研究设计/方法]将文献计量与内容分析相结合，在对健康谣言及其相关概念进行辨析的基础上，以SSCI、SCI、PubMed、CSSCI、CSCD以及北大核心期刊相关数据库作为数据来源，对2022年4月14日前发表的213篇文献进行综述，梳理和总结社交媒体健康谣言特征、传播和治理等方面研究[15]。[结论/发现]研究揭示了社交媒体健康谣言的特征、传播要素以及识别方法，最终构建出社交媒体健康谣言多主体协同治理框架。在此基础上，从构建健康谣言公共语料库、关注多模态健康谣言研究、重视“真实性被证实不为假”的健康谣言、揭示不同媒介健康谣言传播特性的差异、结合图情领域特色与优势的健康谣言研究等角度，对未来社交媒体健康谣言研究进行展望。[创新/价值]在实施“健康中国”战略以及构建中国特色网络治理体系的背景下，通过对国内外社交媒体健康谣言研究进行梳理，厘清了社交媒体健康谣言的研究脉络与发展趋势，提出了未来社交媒体健康谣言研究的方向。

丁浩（2023）研究认为随着社交网络与新闻媒体的发展，大量虚假信息的滋生与传播已经引发了严重的社会问题。目前的研究主要依赖于收集谣言发生后的传播特征进行识别。为了在早期更准确地发现谣言，本文提出一种融合深度语义知识的谣言识别模型。通过使用Transformer和Multi-head注意力抽取舆情信息深层结构的复杂特征，融合了文档结构及上下文语义知识表征，以提高早期识别虚假舆论信息准确率来及时防止谣言传播扩散。本文通过在各个平台的真实数据集进行训练和识别实验，较现有基线方法的准确率最少提升了5.6%，最大提高了24.6%。结果表明，本文模型可通过对早期谣言文本的事实验证，提高模型识别谣言的准确性以在早期阶段阻断谣言传播[16-17]。本文谣言识别模型在BERT-Base基础上进一步结合舆情文本语义知识特征表征，能有效提高早期谣言的识别准确度，但目前尚未考虑谣言传播者个性化特征如社会标签、行为信息等，如何融合更多传播者特征有待进一步研究。

（二）国外研究动态

Yalin Wang(2024)引入了注意力机制（Attention Mechanism）来优化BiLSTM+DNN模型。通过为模型中的不同特征向量分配不同的权重，我们使得模型能够更加聚焦于那些对话题类别和情感程度识别更为关键的信息。这一改进不仅提升了模型的识别效率，还进一步增强了模型对于复杂谣言内容的理解能力[18-19]。

Liping Qi(2024)为了验证模型的泛化能力，我们将训练好的模型应用于不同领域的谣言数据集上进行测试。实验结果显示，尽管不同领域的谣言在表述方式和主题上存在差异，但我们的模型仍然能够保持较高的识别准确率，这表明我们的模型具有较强的领域适应性[20]。

三、课题研究的目的及意义

（一）研究目的

基于CNN-GRU复合网络模型的微博谣言识别研究课题的核心目的在于，通过结合卷积神经网络（CNN）和门控循环单元网络（GRU）的优势，开发一种创新的谣言识别模型，以进一步提升微博谣言检测的精度与效率。在当前信息爆炸的时代，微博等社交媒体平台已成为谣言传播的主要渠道之一，谣言的快速扩散不仅误导公众认知，还可能引发社会恐慌、破坏社会稳定。因此，本课题旨在通过构建CNN-GRU复合网络模型，自动识别并标记出潜在的谣言信息，从而在谣言传播的初期阶段进行有效干预，降低其社会危害。

具体而言，本课题的研究目的包括：

构建CNN-GRU复合网络模型：利用CNN提取微博文本的深层特征，结合GRU捕捉谣言传播的动态特性和序列依赖性，构建高效的谣言识别模型。

优化模型性能：通过调整网络结构、优化超参数以及引入注意力机制等策略，提升模型的识别准确率和泛化能力。

提升早期检测能力：确保模型在谣言传播的初期阶段就能进行有效识别，为相关部门提供及时的预警和决策支持。

探索特征融合策略：研究如何将敏感词库特征、情感分析特征等有效融入CNN-GRU模型中，进一步提升谣言识别的效果。

（二）研究意义

本课题的研究意义在于，它不仅有助于解决当前社交媒体平台上谣言泛滥的严峻问题，还具有深远的理论和实践价值。

1.实践意义：

提升谣言治理效率：通过构建高效的谣言识别模型，可以显著提升谣言治理的自动化水平和效率，减轻人工审核的负担。

保障社会稳定：及时的谣言识别与干预有助于遏制谣言的扩散，降低其对社会秩序和公众安全的潜在威胁。

辅助决策支持：为政府、企业等相关部门提供及时的谣言预警和决策支持，有助于提升应对突发事件的能力。

2.理论意义：

丰富谣言识别理论：本课题将CNN与GRU相结合，并探索敏感词库与情感分析特征的融合策略，为谣言识别提供了新的研究视角和方法论，丰富了谣言识别的理论体系。

推动技术发展：通过优化模型结构和算法参数，本课题将推动深度学习、自然语言处理等相关技术的发展和应用，促进这些技术在谣言识别领域的深入研究和广泛应用。

促进跨学科研究：本课题涉及计算机科学、新闻传播学、心理学等多个学科领域，有助于促进跨学科研究的交流与合作，推动相关领域研究的交叉融合与创新发展。

综上所述，基于CNN-GRU复合网络模型的微博谣言识别研究课题具有重要的实践意义和理论价值，对于提升社交媒体平台的谣言治理能力、维护社会稳定和促进技术发展都具有深远的影响。

四、课题研究的主要内容

本论文主要围绕基于深度学习的微博谣言检测展开深入研究，旨在提出一种高效、准确的谣言识别模型，以应对社交媒体平台上谣言泛滥的挑战。研究内容不仅涵盖了从数据预处理、特征提取到模型构建与优化的全过程，还特别融合了敏感词库和情感分析的方法，具体包括以下几个方面：

首先，数据收集与预处理。本研究从微博等社交平台广泛收集谣言数据和非谣言数据，涵盖文本内容、发布时间、转发数量等关键信息。为确保模型输入的质量，我们执行一系列细致的预处理步骤，如去除噪声、精确分词、去除停用词以及词干提取，从而保证了数据的准确性和一致性。此外，我们还特别注重数据的多样性和平衡性，以确保模型能够全面、公正地学习谣言与非谣言的特征。

其次，特征工程。在数据预处理的基础上，我们深入分析微博谣言的传播特性，并构建包括文本特征、时间特征、传播特征在内的多维度特征体系。特别地，我们引入敏感词库特征，该词库通过统计分析和专家筛选，汇集与谣言传播密切相关的关键词汇。同时，我们还结合情感分析特征，利用情感词典和机器学习算法对微博文本进行情感倾向的识别，以捕捉谣言文本中常见的恐惧、愤怒等强烈情感波动。这些特征对于提高谣言识别的精度和泛化能力具有重要意义。

接着，模型构建与优化。在特征工程的基础上，我们采用深度神经网络作为主要的技术手段，并特别结合门控循环单元网络（GRU）和卷积神经网络（CNN）的优势。我们首先对原始微博文本和转发评论信息分别利用CNN进行文本深层特征的提取，然后将这些特征与敏感词库特征、情感分析特征一起输入到GRU网络中进行序列建模，以捕捉谣言传播的动态特性和情感波动。在此基础上，我们进一步对模型进行了优化，包括调整网络结构以适应特征维度、优化超参数以提高模型性能、引入注意力机制以聚焦关键信息等。这些优化措施显著提高模型的识别准确率和泛化能力。

此外，敏感词库与情感分析的融合策略。本研究不仅单独利用敏感词库和情感分析的特征，还探索它们的融合策略。我们设计多种融合方式，如特征拼接、特征加权和等，以评估不同融合策略对谣言识别性能的影响。通过对比实验和消融实验，我们确定了最佳的融合策略，从而进一步提升模型的识别效果。

最后，实验验证与结果分析。为了验证模型的有效性，我们设计全面的实验方案，包括数据集划分、实验设置、结果评估等。我们利用收集到的微博数据集对模型进行训练和测试，并对比不同特征组合和模型结构的性能差异。

五、成果预测

（一）模型构建与性能提升的实际成果：

通过深入分析微博谣言的传播特性，我们构建了一个包含文本特征、时间特征、传播特征、敏感词库特征以及情感分析特征在内的多维度特征体系。进一步地，我们开发了融合敏感词库与情感分析的谣言识别模型，该模型结合门控循环单元网络（GRU）和卷积神经网络（CNN）的优势，实现对微博文本的深度特征提取和序列建模。经过模型结构、超参数以及注意力机制的优化，我们的模型在识别准确率、召回率、F1值等关键性能指标上取得显著提升，优于现有的谣言识别方法。

（二）学位论文的学术贡献与实际应用价值：

从学术角度来看，本学位论文丰富谣言识别的理论和方法体系，特别是在深度学习、自然语言处理等相关领域的应用方面做出了贡献。我们通过系统的实验设计和性能评估，验证了所提模型的有效性和优越性，为谣言识别领域的研究提供新的视角和思路。同时，本论文的研究成果也具有重要的实际应用价值。我们将构建的谣言识别模型应用于实际的社交媒体平台，为谣言治理提供有力的技术支持，有效遏制谣言的传播和扩散。这一实际应用成果不仅有助于维护社会稳定和公共安全，也为社交媒体平台的谣言治理提供了新的解决方案和参考依据。

六、课题研究的条件及措施

（一）研究条件

1.数据资源：

本课题已与通过多个社交媒体平台，确保能够收集到大量、真实、多样的微博谣言与非谣言数据。拥有专业的数据预处理工具和方法，能够高效地进行数据清洗、分词、去停用词等预处理工作。

2.技术基础：

具备扎实的深度学习、自然语言处理、数据挖掘等领域的知识和技能。已掌握先进的深度学习框架（如TensorFlow、PyTorch）和算法（如CNN、GRU），具备构建和优化复杂模型的能力。

3.硬件与软件支持：

拥有高性能的服务器和GPU资源，能够支持大规模数据的处理和模型的训练。配备了最新的编程语言和开发工具（如Python、PyCharm等），确保研究工作的顺利进行。

（二）研究措施

1.数据收集与预处理：

制定详细的数据收集计划，确保数据的全面性、多样性和真实性。采用先进的数据预处理技术，对数据进行清洗、分词、去停用词等处理，提高数据质量。

2.特征工程与模型构建：

深入分析微博谣言的传播特性，构建包含多维度特征的特征体系。结合深度神经网络的优势，构建融合敏感词库与情感分析的谣言识别模型。通过不断调整网络结构、优化超参数、引入注意力机制等措施，提高模型的识别准确率和泛化能力。

3.实验设计与结果评估：

设计全面的实验方案，包括数据集划分、实验设置、结果评估等，确保实验结果的可靠性和有效性。采用多种评估指标（如准确率、召回率、F1值等）对模型性能进行全面评估。通过对比实验和消融实验，验证不同特征组合、模型结构以及融合策略对谣言识别性能的影响。

七、课题进度计划

2024年9月             开题答辩

2024年9月——2025年1月   爬取微博谣言，查阅相关文献，制作数据集

2025年1月——2025年3月   编写代码，构思整体框架，撰写论文

2025年3月              中期答辩

2025年3月——2025年5月   根据老师的意见完善，修改代码和论文

2025年5月              论文答辩

八、参考文献

[1]钱榕,李鑫,刘晓豫,张克君,郭竞桧,叶仲昆.考虑禁言机制的谣言传播模型[J].计算机工程,2024,(08):372-378.DOI:10.19678/j.issn.1000-3428.0068506.

[2]龚军,张菊玲,解玲.突发公共事件网络舆情风险治理对策研究[J].产业与科技论坛,2023,(17):286-288.

[3]胡淼.基于“AI识谣”技术的微博谣言治理研究[J].新闻研究导刊,2023,(15):102-104.

[4]尹积栋,谢茶花,彭一烨.校园网络谣言的文本结构与情感特征研究[J].新闻传播,2023,(13):119-120.

[5]朱梦蝶,付少雄,郑德俊,李杨.文献视角下的社交媒体健康谣言研究：特征、传播与治理[J].图书情报知识,2022,(05):131-143.DOI:10.13366/j.dik.2022.05.131.

[6]丁浩,刘清,齐江蕾,胡广伟.基于网络突发公共卫生事件早期谣言识别研究——以新冠疫情谣言为例[J].情报科学,2023,(04):156-163.DOI:10.13833/j.issn.1007-7634.2023.04.019.

[7]李丹.2020年国图书馆学研究热点评述[J].山东图书馆学刊,2021,(06):6-16.

[8]裴蕾,高彦平,刘新亮,宋绍义.考虑时延和辟谣效应的谣言传播模型[J].小型微型计算机系统,2022,(01):144-151.

[9]石锴文,刘勘.突发公共卫生事件中微博谣言的识别[J].图书情报工作,2021,(13):87-95.

[10]Yalin Wang, Liping Qi, Shaoshuo Cai. Corrigendum: How can the collaborative participation of regulators, whistleblowers, and parties effectively promote rumor management in public health emergencies?[J]. Frontiers in Public Health, 2024, 12 1399905-1399905.

[11]Yalin Wang, Liping Qi, Shaoshuo Cai. How can the collaborative participation of regulators, whistleblowers, and parties effectively promote rumor management in public health emergencies?[J]. Frontiers in Public Health, 2024, 11 1290841-1290841.

[12]许晓东,肖银涛,朱士瑞.微博社区的谣言传播仿真研究[J].计算机工程, 2021,37(10): 272-274.

[13]Yang Fan, Liu Y, Yu X, et al. Automatic detection of rumor on Sina Weibo [C].Proceedings of the ACM SIGKDD Workshop on Mining Data Semantics. Beijing: ACM, 2022: 1-7.

[14]贺刚,吕学强,李卓,等.微博谣言识别研究.[J].图书情报工作, 2023,57(23): 114-120.

[15]Adrien Friggeri, Lada A Adamic, Dean Eckles, and Justin Cheng. 2023. Rumor cascades. In Proceedings of ICWSM.

[16]Aniko Hannak, Drew Margolin, Brian Keegan, and Ingmar Weber. 2023. Get back! you don’t know me like that: The social mediation of fact checking interventions in twitter conversations. In Proceedings of ICWSM.

[17]Sejeong Kwon, Meeyoung Cha, Kyomin Jung, Wei Chen, and Yajun Wang.2023. Prominent features of rumor propagation in online social media. In Proceedings of ICDM. pages 1103–1108.

[18]Jing Ma, Wei Gao, Zhongyu Wei, Yueming Lu, and Kam-Fai Wong. 2023. Detect rumors using time series of social context information on microblogging websites. In Proceedings of the 24th ACM International on Conference on Information and Knowledge Management. CIKM ’15, pages 1751–1754.

[19]Zhe Zhao, Paul Resnick, and Qiaozhu Mei. 2023. Enquiring minds: Early detection of rumors in social media from enquiry posts. In Proceedings of the 24th International Conference on World Wide Web. WWW ’15, pages 1395–1405.

[20]Ma J, Gao W, Mitra P, et al. Detecting Rumors from Microblogs with Recurrent Neural Networks[C].IJCAI. 2021: 3818-3824.

指导教师意见

指导教师：

年     月    日

专业负责人意见

专业负责人：

年     月    日

学院负责人意见

学院负责人：

年     月    日