基于情感分析和Transformer的謠言檢測研究的國內(nèi)外文獻綜述目錄TOC\o"1-2"\h\u9948基于情感分析和Transformer的謠言檢測研究的國內(nèi)外文獻綜述 1150731.1引言 1215601.2基于傳統(tǒng)機器學(xué)習(xí)的謠言檢測 2249411.1.1基于文本內(nèi)容的謠言檢測 2250431.1.2基于用戶行為的謠言檢測 334601.1.3基于時間序列的謠言檢測 3217531.1.4基于傳播模型的謠言檢測 4275031.3基于深度神經(jīng)網(wǎng)絡(luò)模型的謠言檢測 5154161.3.1基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的謠言檢測 5156931.3.2基于卷積神經(jīng)網(wǎng)絡(luò)模型的謠言檢測 540841.3.3結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)模型的謠言檢測 6178551.3.4基于生成對抗網(wǎng)絡(luò)的謠言檢測 6196601.4研究現(xiàn)狀總結(jié) 626954參考文獻 71.1引言謠言是一種特殊的社會現(xiàn)象，它已伴隨了人類社會千余年，有學(xué)者認為謠言與人類的集體記憶和社會情形相關(guān)。我們無法預(yù)測謠言的發(fā)生和結(jié)束，它具有偶然性和突發(fā)性。一直以來，國內(nèi)外許多專家學(xué)者對謠言的產(chǎn)生、特性以及傳播方式做了大量的研究，在心理學(xué)、社會學(xué)等多個領(lǐng)域中，對謠言的定義都是不同的，目前，關(guān)于“謠言”，并沒有一個明確的概念。謠言是通過刻意歪曲、虛構(gòu)或編造某一事實所產(chǎn)生一種與事實不符的信息，百度百科[2]將“謠言”定義為沒有相應(yīng)事實基礎(chǔ)，卻被捏造出來并通過一定手段推動傳播的言論，另一種說法[49]將謠言定義為一種非正式官方的、在某一范圍、某一特定人群和某一時期內(nèi)傳播的包含虛假成分的信息。由此可以看出，謠言可能是完全沒有事實依據(jù)憑空產(chǎn)生的，也可能包含一定的真實成分，并非完全虛假。由于互聯(lián)網(wǎng)的迅速發(fā)展，現(xiàn)代謠言并不在局限于一定區(qū)域、一定人群和一定時期內(nèi)傳播，網(wǎng)絡(luò)謠言的傳播范圍廣，傳播速度快，傳播途徑多，傳播時間長，且具有反復(fù)性。本文中所討論的謠言是指那些沒有真實憑證、刻意捏造的或者有部分事實依據(jù)，卻被造謠者故意夸大扭曲的、偏離了事實真相的消息。謠言檢測的目的在于能夠及時有效的發(fā)現(xiàn)謠言并遏制其傳播，降低謠言造成的社會危害和不良影響。當(dāng)前許多社交平臺針對謠言的檢測方法依賴于用戶的揭發(fā)檢舉和相關(guān)專家或官方部門的證實，然而這種方法效率低下，無法實現(xiàn)謠言實時檢測。因此，一種自動識別謠言的方法成為了近幾年研究的熱門方向。針對社交網(wǎng)絡(luò)中的謠言泛濫問題，學(xué)術(shù)界進行了大量的研究與探索，大多數(shù)研究者將謠言檢測看作一個二分類問題，目前謠言檢測包括兩個發(fā)展階段：早期基于傳統(tǒng)機器學(xué)習(xí)的謠言檢測和基于深度神經(jīng)網(wǎng)絡(luò)模型的謠言檢測。1.2基于傳統(tǒng)機器學(xué)習(xí)的謠言檢測早期的謠言檢測工作主要側(cè)重于從文本內(nèi)容、用戶行為、時間序列和傳播結(jié)構(gòu)中提取謠言特征，用有監(jiān)督的方式從標記數(shù)據(jù)中訓(xùn)練分類器，該方法重點在于選取具有高區(qū)分度的謠言特征，因此基于傳統(tǒng)機器學(xué)習(xí)的謠言檢測方法可按謠言的特征將其分為以下四類：基于文本內(nèi)容的謠言檢測、基于用戶行為的謠言檢測、基于時間序列的謠言檢測和基于傳播模型的謠言檢測。1.1.1基于文本內(nèi)容的謠言檢測基于文本內(nèi)容的謠言檢測方法主要利用該事件的文字描述信息，從中提取文本內(nèi)容特征，用于訓(xùn)練謠言分類器。其中文本內(nèi)容特征主要包括詞匯特征（Lexicalfeatures）、語法特征（Grammaticalfeatures）、句法特征（Syntacticfeatures）、語義特征（Semanticfeatures）和主題特征（Themefeatures）。Qazvinia等人[3]選取了句法特征和詞匯特征來檢測謠言，使用詞袋模型提取了文本詞匯的一元詞匯特征和二元詞匯特征，進一步提取了文本詞匯的一元詞性特征和二元詞性特征，通過對收集到的數(shù)據(jù)進行分類標注，驗證了淺層文本內(nèi)容特征和微博元素特征在謠言檢測中的區(qū)分度和有效性，通過集成分類器和貝葉斯分類器輸出Twitter數(shù)據(jù)的類別。Gayo-Avello等人[4]和Castillo等人[5]認為虛假信息與真實信息在內(nèi)容模式上存在不同，大多數(shù)謠言是被編造出來的，其目的在于誤導(dǎo)民眾，為更好地吸引公眾注意在內(nèi)容模式上具有極強的夸張性，與真實信息相比，謠言文本的長度普遍較短。Castillo等人[5]基于Twitter數(shù)據(jù)，針對謠言的內(nèi)容模式，提取了內(nèi)容、用戶、話題和傳播四類特征共68個，選取了其中最具區(qū)分度的15個特征，并構(gòu)建的J48決策樹對Twitter平臺上特定的新聞主題信息的真實度進行了評估，最終識別準確率達到了86%。除了詞匯特征或語義特征外，一些研究者提出了另外可以反映謠言文本內(nèi)容特性的主題特征。Wu等人[6]基于新浪微博數(shù)據(jù)，利用主題模型從謠言消息、其作者以及其響應(yīng)的統(tǒng)計信息中提取特征，形成話題級別的特征向量，構(gòu)建一種基于圖核的混合支持向量機分類器，最終謠言檢測準確率達到了91.3%。Home等人[7]認為，真假新聞在整體的標題結(jié)構(gòu)和標題中專有名詞的使用上有明顯區(qū)別，假新聞的受眾人群是那些不太可能閱讀標題以外內(nèi)容的受眾，于是在假新聞的標題中會包含更多內(nèi)容來吸引大眾的注意，作者通過提取標題結(jié)果的主題特征，并結(jié)合語言的文體特征構(gòu)建了假新聞檢測模型，并取得了良好的效果。1.1.2基于用戶行為的謠言檢測隨著對文本內(nèi)容研究的越來越全面，更多的文本內(nèi)容特征被挖掘，在謠言檢測準確率上也得到了一定程度的提高，但在現(xiàn)實社交網(wǎng)絡(luò)中，信息的傳播主要依靠用戶之間互動，因此社交網(wǎng)絡(luò)中用戶關(guān)注，轉(zhuǎn)發(fā)，評論等用戶行為特征可作為謠言檢測的依據(jù)，于是有研究者提出了一種基于用戶行為的謠言檢測方法。Morris等人[8]提出通過提取Twitter用戶行為特征，實現(xiàn)虛假信息檢測任務(wù)。Liang等人[9]認為謠言發(fā)布者的行為可能會與普通用戶不同，一篇謠言帖子可能會產(chǎn)生與普通帖子不同的反應(yīng)，提取了5個用戶行為新特征，并結(jié)合文本內(nèi)容特征和傳播模型特征共同構(gòu)建決策樹分類器，在新浪微博數(shù)據(jù)上驗證了該文方法和特征的有效性，同時發(fā)現(xiàn)發(fā)布謠言的用戶會在短時間內(nèi)關(guān)注大量的人以此提高自身的關(guān)注量。Zhang等人[10]利用用戶在微博中的影響力，提出的消息的隱式特征和淺層特征相結(jié)合的自動謠言檢測方法，提取了社會影響、意見轉(zhuǎn)發(fā)影響、消息的匹配程度等與用戶影響力相關(guān)的特征，并結(jié)合流行傾向、評論的情感極性和內(nèi)部和外部一致性構(gòu)建的分類器，提升了謠言識別精度。Mohammad等人[11]提出用戶的對推文的意見可以反應(yīng)新聞的真實性，在Twitter數(shù)據(jù)中對推文的立場和情感進行了注釋，通過提取文本深層語義特征，并利用支持向量機判斷評論文本用戶的情感傾向，達到識別謠言的目的。Shu等人[12]認為社交媒體上的用戶資料與假新聞之間存在一定關(guān)系，通過挖掘用戶資料信息中有用的特征，選兩組用戶群體為代表，其中包括一部分有經(jīng)驗的用戶，他們有判別謠言的能力，另一部分無經(jīng)驗的用戶，他們?nèi)狈ε袆e謠言的能力，通過對比兩組用戶群體資料特征，揭示了他們區(qū)分假新聞的潛力。Yang等人[13]提出了一種在無監(jiān)督的謠言檢測方法，該方法基于用戶在社交媒體上的參與度，通用樸素貝葉斯捕獲用戶可信度、新聞?wù)鎸嵭院陀脩粢庖娭g的關(guān)系。并加入兩個隨機變量用戶可信度和新聞?wù)鎸嵭裕瑏砼袛嘈侣劦恼鎸嵭浴?.1.3基于時間序列的謠言檢測Friggeri等人[14]認為謠言有效的檢測信號特征和傳播模式都可能隨著時間的推移而發(fā)生變化。當(dāng)前大部分研究者都是通過設(shè)置一個任意的時間窗口來研究謠言的傳播，這種設(shè)置固定觀察點的方式很難捕獲謠言的傳播模式，因此一部分研究人員采用基于時間序列的謠言檢測方法。Kwon等人[15]提出了可利用謠言的時間序列特征進行謠言檢測，于是Kwon等人基于Twitter數(shù)據(jù)提出了時間序列擬合模型，總結(jié)推文數(shù)量隨時間變化特點，實現(xiàn)了謠言識別。Ma等人[16]認為謠言文本內(nèi)容、傳播結(jié)構(gòu)和用戶行為會隨時間的變化而變化，通過擴展時間序列特征的種類，構(gòu)建了基于動態(tài)時間序列的支持向量機分類器。Kwon等人[17]在2017年提出了將時間序列特征與用戶、語義和傳播結(jié)構(gòu)等有效特征相結(jié)合的方法，構(gòu)建了謠言檢測系統(tǒng)，記錄了謠言傳播的不同時間窗口的檢測效果，據(jù)統(tǒng)計數(shù)據(jù)顯示，用戶特征和語義特征在謠言傳播初期就具有較好的分類效果，而傳播結(jié)構(gòu)特征和時間序列特征在長期窗口中才可取得較好的分類效果，因此驗證了時間序列特征在謠言檢測中的有效性。1.1.4基于傳播模型的謠言檢測此外，還有一種方法通過謠言信息傳播模型實現(xiàn)謠言檢測任務(wù)。Gupta等人[18]提出了一種基于事件圖優(yōu)化的可信度分析方法，在將Twitter事件、推文和相關(guān)用戶組成的多類型網(wǎng)絡(luò)上進行可信度傳播實驗，通過正則化的方法在新的事件圖上更新事件可信度分數(shù)，從而增強信任分析，最終實現(xiàn)Twitter數(shù)據(jù)的信息分類。JinF等人[19]提出可使用流行病的傳播模式描述謠言的傳播，通過描述twitter中由新聞和謠言引起的信息級聯(lián)，證明了該方法在捕捉這些事件中的擴散是準確的，并說明該方法可以與其他使用內(nèi)容建模的謠言檢測策略有效地結(jié)合起來。JinZ等人[20]認為對于一個新聞事件來說，可以從不同的尺度表征新聞事件，于是提出了一種分層傳播模型，將這些實體與它們的語義關(guān)聯(lián)和社會關(guān)聯(lián)聯(lián)系起來后，每個實體的可信度值在這個網(wǎng)絡(luò)上傳播，通過將這個傳播過程表述為一個圖優(yōu)化問題，使用迭代算法最終得出全局最優(yōu)解。Liu等人[21]認為謠言與非謠言在社交媒體環(huán)境中的傳播模式是有系統(tǒng)差異的，基于這一假設(shè)，提出了一種基于異構(gòu)用戶表示的謠言識別信息傳播模型，通過謠言和非謠言傳播模式的差異來區(qū)分它們，實驗結(jié)果表明，基于異構(gòu)用戶表示的新信息傳播模型能夠有效區(qū)分謠言與可信社交媒體內(nèi)容。Ma[22]從微博的傳播結(jié)構(gòu)入手，首先用傳播樹對微博帖子的擴散進行建模，然后，提出了一種基于核的傳播樹核方法，通過比較傳播樹的結(jié)構(gòu)的不同來區(qū)分謠言與非謠言，最后實驗結(jié)果表明了該文提出的基于核的方法能夠更快、更準確地檢測出謠言。Kim等人[23]認為謠言的傳播取決于用戶之間的話題興趣的一致性，構(gòu)建了基于貝葉斯非參數(shù)模型，計算用戶話題興趣之間的相似度，該模型重點關(guān)注新聞話題是否一致，擴展了分層狄利克雷過程對新聞主題的建模，并引入貝葉斯高斯過程潛變量模型來發(fā)現(xiàn)同質(zhì)性值，通過在一個真實的社交網(wǎng)絡(luò)數(shù)據(jù)集上訓(xùn)練模型，找到了新聞故事的同質(zhì)價值，這些同質(zhì)價值與它們的真實性標簽及其內(nèi)容密切相關(guān)。1.3基于深度神經(jīng)網(wǎng)絡(luò)模型的謠言檢測近年來，隨著深度學(xué)習(xí)技術(shù)的蓬勃發(fā)展，神經(jīng)網(wǎng)絡(luò)模型成為了解決傳統(tǒng)基于手工提取特征問題的主要方法，神經(jīng)網(wǎng)絡(luò)模型可實現(xiàn)對深層次特征的自動學(xué)習(xí)，大大提高了檢測的效果和效率，于是從此開啟了基于深度神經(jīng)網(wǎng)絡(luò)的謠言檢測時代。程亮[24]等人提出了基于BP神經(jīng)網(wǎng)絡(luò)和沖量項的微博謠言檢測模型，改進傳統(tǒng)識別謠言方法檢測性能的不足，實驗結(jié)果表明該方法在謠言檢測的準確率上有所提高。1.3.1基于循環(huán)神經(jīng)網(wǎng)絡(luò)模型的謠言檢測Ma[25]等人利用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)對轉(zhuǎn)帖進行建模，從基于時間序列的內(nèi)容特征中捕獲隱藏表示。實驗結(jié)果表明該深度學(xué)習(xí)模型能自動挖掘處于時間序列的內(nèi)容特征，從而提高了模型的分類能力。Prashanth等人[26]構(gòu)建了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的謠言檢測模型，提取了Twitter數(shù)據(jù)單詞向量和字符向量，為了提高數(shù)據(jù)的魯棒性，使用數(shù)據(jù)增強技術(shù)擴展了訓(xùn)練數(shù)據(jù)集，提升了宏觀平均精度值。Chen等人[27]將自動編碼器與循環(huán)神經(jīng)網(wǎng)絡(luò)結(jié)合構(gòu)造了無監(jiān)督的深度學(xué)習(xí)模型，并引入用戶行為這一重要特征提高了模型的檢測性能。Li等人[28]提出了一種基于深層雙向的門控制循環(huán)單元（D-Bi-GRU）謠言檢測方法，通過多層雙向的門控制循環(huán)單元，自動學(xué)習(xí)用戶響應(yīng)信息在事件流中的前向序列表示和后向序列表示，探究網(wǎng)絡(luò)用戶群體對事件或信息的響應(yīng)隨時間的變化情況。1.3.2基于卷積神經(jīng)網(wǎng)絡(luò)模型的謠言檢測Yu等人[29]提出了循環(huán)神經(jīng)網(wǎng)絡(luò)對謠言早期檢測效果不明顯。因此，該文采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建謠言檢測模型。實驗結(jié)果顯示該模型在謠言早期檢測中表現(xiàn)出良好的效果。劉政等人[30]同樣使用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建謠言檢測模型，基于微博事件，將輸入事件向量化，通過卷積神經(jīng)網(wǎng)絡(luò)提取微博文本的深層語義特征，并利用卷積神經(jīng)網(wǎng)絡(luò)的特點提取了微博局部特征，與其他算法對比，證明了該方法準確識別謠言事件效果更優(yōu)。1.3.3結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)模型的謠言檢測李力釗等人[31]結(jié)合了卷積神經(jīng)網(wǎng)絡(luò)（CNN）和門控循環(huán)單元（GRU）的優(yōu)點,通過將微博數(shù)據(jù)句向量化，采用卷積神經(jīng)網(wǎng)絡(luò)并結(jié)合門控循環(huán)單元的實驗?zāi)Ｐ停謩e提取微博數(shù)據(jù)的局部特征和全局特征，進而實現(xiàn)微博謠言檢測。結(jié)果表明，該模型具有良好的謠言識別性能。Liu等人[32]提出了一種基于新聞傳播路徑分類的謠言早期檢測模型，該模型根據(jù)新聞傳播路徑構(gòu)建多元時間序列特征，序列包含了參與傳播新聞的用戶特征，使用卷積神經(jīng)網(wǎng)絡(luò)捕獲用戶變化的局部特征，并結(jié)合循環(huán)神經(jīng)網(wǎng)絡(luò)模型捕獲全局特征，最終實現(xiàn)假新聞檢測。Guo等人[33]提出了一種結(jié)合社會信息的分層神經(jīng)網(wǎng)絡(luò)(HSA-BLSTM)，首先建立了表征學(xué)習(xí)的層次雙向長短時記憶模型，然后通過注意力機制將社會語境整合到網(wǎng)絡(luò)中，將重要的語義信息引入到框架中，從而實現(xiàn)更穩(wěn)健的謠言檢測。1.3.4基于生成對抗網(wǎng)絡(luò)的謠言檢測Ma等人[34]提出了基于生成對抗學(xué)習(xí)的方法檢測Twitter上的謠言。其中的生成器和判別其通過循環(huán)神經(jīng)網(wǎng)絡(luò)搭建，由鑒別器作為分類器，而生成器通過產(chǎn)生沖突的噪聲來提高鑒別器的分類性能，使謠言文本生成器和鑒別器在對抗性上互相增強，以提高模型的鑒別能力。李奧等人[35]在Ma的基礎(chǔ)上，提出了一種改進生成對抗網(wǎng)絡(luò)的謠言檢測方法，其中將生成器中的RNN網(wǎng)絡(luò)換成Transformer結(jié)構(gòu)，實現(xiàn)文本語義特征的提取，判別器采用基于雙向LSTM深度網(wǎng)絡(luò)分類模型，并加入注意力機制來解決循環(huán)神經(jīng)網(wǎng)絡(luò)長距離依賴缺陷，從而提高了模型對謠言的判斷能力，分別在新浪微博和Twitter數(shù)據(jù)集上驗證了該方法的有效性。1.4研究現(xiàn)狀總結(jié)基于傳統(tǒng)機器學(xué)習(xí)的謠言檢測是手工提取特征，并結(jié)合機器學(xué)習(xí)的方法構(gòu)建分類器。這一方法的重點在于提取能夠明顯區(qū)分謠言與非謠言的特征集以及特征處理，主要從內(nèi)容、傳播以及用戶等方面提取謠言特征，結(jié)合機器學(xué)習(xí)的方法實現(xiàn)謠言識別，這種方法在謠言檢測中初具成效。但是，該方法依賴人工提取特征，效率低費用高，手工設(shè)計的特征泛化性能較差，往往只適用于特定的場景，且缺乏從謠言文本內(nèi)容中提取的深層次表征。基于深度神經(jīng)網(wǎng)絡(luò)的謠言檢測模型可自動學(xué)習(xí)有效的特征，克服了手工特征在提取特征工作上的繁瑣和場景局限性問題。深層神經(jīng)網(wǎng)絡(luò)的提出是對傳統(tǒng)特征選擇和提取模式的突破，深度神經(jīng)網(wǎng)絡(luò)克服了特征稀疏的問題，采用連續(xù)化的詞向量表示文本，自動提取具有高區(qū)分度的特征，模型的準確率往往較高，目前用于謠言檢測的效果比較好。然而神經(jīng)網(wǎng)絡(luò)模型容易過擬合、參數(shù)較多導(dǎo)致訓(xùn)練速度較慢，循環(huán)神經(jīng)網(wǎng)絡(luò)存在梯度消失和不容易平行化的問題，LSTM和GRU雖然可以緩解梯度消失的問題，但不能徹底解決，基于卷積神經(jīng)網(wǎng)絡(luò)的謠言檢測模型更側(cè)重于提取局部特征，但對特征理解不足，沒有記憶功能。另外，深度學(xué)習(xí)的方法是使用神經(jīng)網(wǎng)絡(luò)自動學(xué)習(xí)有效的特征來進行謠言檢測。然而謠言檢測模型通常是通過隨機初始化模型參數(shù)來進行模型的訓(xùn)練，這種隨機初始化模型參數(shù)的缺陷在于當(dāng)數(shù)據(jù)集過大時，模型相當(dāng)于從頭開始訓(xùn)練，訓(xùn)練速度會較為緩慢；訓(xùn)練數(shù)據(jù)集較小時，對于較為復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型可能無法到達預(yù)期的效果。另外，早期所使用的預(yù)訓(xùn)練模型，比如Word2Vec屬于一種靜態(tài)技術(shù)，即單詞的詞向量僅局限于當(dāng)前它所處的上下文中，當(dāng)應(yīng)用場景改變時，單詞的詞向量無法做出相應(yīng)的變化，這就導(dǎo)致了多義詞的詞向量表示困難。針對以上問題，本文提出來基于情感分析和Transformer模型的早期微博謠言檢測方法。首先采用一種動態(tài)詞向量表示方法，利用XLNet預(yù)訓(xùn)練對模型部分參數(shù)賦予有效初始值，加快了模型訓(xùn)練速度，同時解決了多義詞的詞向量表示問題；然后利用Transformer模型中的多頭注意力機制解決了長文本遠距離依賴問題，從全局提取了微博內(nèi)容的深層語義；最后融合微博評論的情感特征，進一步提升了謠言檢測的準確率。參考文獻QazvinianV,RosengrenE,RadevDR,etal.Rumorhasit:IdentifyingMisinformationinMicroblogs[C]//ConferenceonEmpiricalMethodsinNaturalLanguageProcessing.AssociationforComputationalLinguistics,2011.Gayo-AvelloD,MetaxasPT,MustafarajE,etal.Predictinginformationcredibilityintime-sensitivesocialmedia[J].InternetResearch,2013.CastilloC,MendozaM,PobleteB.Informationcredibilityontwitter[C]//Proceedingsofthe20thinternationalconferenceonWorldwideweb.ACM,2011:675-684.WuK,YangS,ZhuKQ.Falserumorsdetectiononsinaweibobypropagationstructures[C]//2015IEEE31stinternationalconferenceondataengineering.IEEE,2015:651-661.HorneBD,AdaliS.Thisjustin:Fakenewspacksalotintitle,usessimpler,repetitivecontentintextbody,moresimilartosatirethanrealnews[C]//EleventhInternationalAAAIConferenceonWebandSocialMedia.2017.MorrisMR,CountsS,RosewayA,etal.Tweetingisbelieving?:understandingmicroblogcredibilityperceptions[C]//ProceedingsoftheACM2012conferenceoncomputersupportedcooperativework.ACM,2012:441-450.LiangG,HeW,XuC,etal.RumorIdentificationinMicrobloggingSystemsBasedonUsers’Behavior[C].IEEETransactionsonComputationalSocialSystems,2015,2(3):99-108.ZhangQ,ZhangS,DongJ,etal.AutomaticDetectionofRumoronSocialNetwork[M].NaturalLanguageProcessingandChineseComputing,SpringerInternationalPublishing,2015.MohammadSM,SobhaniP,KiritchenkoS.Stanceandsentimentintweets[J].ACMTransactionsonInternetTechnology(TOIT),2017,17(3):26.ShuK,WangS,LiuH.Understandinguserprofilesonsocialmediaforfakenewsdetection[C]//2018IEEEConferenceonMultimediaInformationProcessingandRetrieval(MIPR).IEEE,2018:430-435.YangS,ShuK,WangS,etal.Unsupervisedfakenewsdetectiononsocialmedia:Agenerativeapproach[C]//Proceedingsof33rdAAAIConferenceonArtificialIntelligence.2019.FriggeriA,AdamicLA,EcklesD,ChengJ.Rumorcascades//Proceedingsofthe8thInter