吳連偉,饒 元,樊笑冰,楊 浩

(西安交通大學(xué) 軟件學(xué)院 社會(huì)智能與復(fù)雜數(shù)據(jù)處理實(shí)驗(yàn)室，陜西 西安 710049)

0　概述

基于用戶生成內(nèi)容的Web 2.0社交網(wǎng)絡(luò)平臺(tái)極大地促進(jìn)了信息內(nèi)容的生成、傳播與快速增長(zhǎng)，在享受信息的快速獲取與傳播共享便利的同時(shí)，網(wǎng)絡(luò)中散布著大量的謠言、偏激和虛假信息。在線博客中存在著許多偏激和虛假的內(nèi)容，微博也被大量的垃圾和謠言信息嚴(yán)重污染，甚至在線新聞媒體也被大量不可靠且沒有被證實(shí)的新聞所充斥[1]，這種現(xiàn)象直接影響到了主流媒體。Howell[2]將海量數(shù)字化虛假內(nèi)容信息列為影響現(xiàn)代社會(huì)發(fā)展的重大威脅之一。

Gupta[3]的研究結(jié)果表明：在Twitter中有將近52%的內(nèi)容是確定可信的、35%的內(nèi)容是大致可信的、13%的內(nèi)容是確定不可信的。不可信信息將極大地渲染消極和負(fù)面的社會(huì)情緒，不僅影響社會(huì)和諧，而且也會(huì)影響國家安全與政治生態(tài)。例如，澎湃新聞曾在2016年1月4日發(fā)布“江西九江市潯陽區(qū)發(fā)生6.9級(jí)地震”的假新聞所引起的社會(huì)恐慌，2016年英國脫歐和美國總統(tǒng)大選事件中所引爆的媒體信任危機(jī)，許多類似的新聞使人們開始深刻地意識(shí)到“陰謀論、假新聞、極端的感情抒發(fā)”的信息在網(wǎng)絡(luò)傳播中給社會(huì)所傳遞的負(fù)面影響。如何在復(fù)雜網(wǎng)絡(luò)環(huán)境下快速識(shí)別出信息的真?zhèn)?，以確保網(wǎng)絡(luò)中傳播信息的真實(shí)性與可信性，并對(duì)傳播信息內(nèi)容的可信度進(jìn)行度量，已成為目前學(xué)術(shù)界、工業(yè)界和政府機(jī)構(gòu)共同關(guān)注且亟需解決的重要問題。

為了解決上述問題，本文在文獻(xiàn)調(diào)研分析與總結(jié)的基礎(chǔ)上，從信息可信性與不可信的特征出發(fā)，針對(duì)不同類型的信息內(nèi)容特征進(jìn)行識(shí)別、抽取與比較，在此基礎(chǔ)上，系統(tǒng)地梳理和分析當(dāng)前主要的信息可信度建模與評(píng)測(cè)方法，為信息內(nèi)容的可信度分析與研究奠定基礎(chǔ)。

1　網(wǎng)絡(luò)信息可信性分類與可信度定義

1.1　網(wǎng)絡(luò)信息可信性分類

從可信的角度看，信息可以分為可信與不可信兩大類，除了能夠證明信息本身的真實(shí)性、科學(xué)性、客觀性以及完整性以外的信息，其余信息均可稱為不可信信息。而在網(wǎng)絡(luò)中傳播的這些不可信信息本身也存在著一些明顯的差異，根據(jù)這些差異將不可信信息進(jìn)一步歸納為：極端突發(fā)事件下的模糊信息、網(wǎng)絡(luò)偏激信息、網(wǎng)絡(luò)普通虛假信息、網(wǎng)絡(luò)謠言、誤報(bào)信息與垃圾信息等六種類型。

其中，極端突發(fā)事件是指具備嚴(yán)重危害性的不可預(yù)知的突發(fā)性事件，特別是指由于自然災(zāi)害、事故災(zāi)難、公共衛(wèi)生事故以及社會(huì)安全事件等方面突發(fā)且不會(huì)重現(xiàn)的事件[4]，由于極端突發(fā)事件除了具有爆炸性、不可重復(fù)性和嚴(yán)重危害性等特征外，還具有極強(qiáng)的模糊性，從而為虛假信息的快速傳播提供了空間；網(wǎng)絡(luò)偏激信息是指夸大或貶低事實(shí)、斷章取義或者是以偏概全的信息，這類信息中往往融入了個(gè)人的極端情感；網(wǎng)絡(luò)普通虛假信息包括惡意造假或蓄意欺騙的信息；網(wǎng)絡(luò)謠言指在網(wǎng)絡(luò)中傳播的一個(gè)存在爭(zhēng)議或者事實(shí)有待檢驗(yàn)的信息陳述[5]；誤報(bào)信息則是由于工作失誤而錯(cuò)報(bào)的信息，產(chǎn)生的原因包括錄入失誤、疏忽或者專業(yè)能力差等[6]；垃圾信息指與用戶無關(guān)且無價(jià)值、不被關(guān)注的信息，也包括失去時(shí)效的過時(shí)信息等。根據(jù)上述定義，表1從特點(diǎn)、發(fā)布者、目的性、危害性和可信度等特征的差異對(duì)信息進(jìn)行了比較。

表1　六類不可信信息的特征對(duì)比表

由于信息傳播過程中的用戶社交網(wǎng)絡(luò)與興趣網(wǎng)絡(luò)交織融合，信息內(nèi)容的組織形式具有多樣性且具有跨媒體特征，使得不可信信息識(shí)別的復(fù)雜性程度大幅提高，這直接影響到了網(wǎng)絡(luò)信息傳播過程中預(yù)測(cè)與引導(dǎo)策略的有效性。因此，本文提出了信息可信度概念來對(duì)所有信息的可信程度進(jìn)行統(tǒng)一度量。

1.2　信息可信度的定義

信息可信度是評(píng)價(jià)信息內(nèi)容質(zhì)量的一種關(guān)鍵性指標(biāo)，它與信息在網(wǎng)絡(luò)中傳播的核心要素相關(guān)，即與信息內(nèi)容、話題、信息傳播者和傳播媒介及信息接受者等特征相關(guān)，因此，可用如下五元組來形式化地定義為：

IC=

(1)

其中，IC表示信息的可信度，C、T、P、M和R分別表示了信息內(nèi)容、話題、信息傳播者、傳播媒介及信息接受者的特征集合，該模型所描述的信息在網(wǎng)絡(luò)中的傳播過程如圖1所示。盡管該模型在傳播要素與內(nèi)容可信度度量之間建立了一種聯(lián)系，但并沒有解決如何選擇不同的特征維度并進(jìn)行有效的評(píng)估測(cè)量這一關(guān)鍵問題。

圖1　信息可信度IC模型中網(wǎng)絡(luò)信息的傳播過程示意圖

West[7]認(rèn)為可信度是信息接受者對(duì)信源或傳播媒介品質(zhì)的一種主觀感受，這種品質(zhì)不管內(nèi)容如何，受眾都能毫無保留地對(duì)其信賴。而Fogg[8]進(jìn)一步強(qiáng)調(diào)受眾對(duì)信息傳播者的信任主要來自于個(gè)人特質(zhì)和信息來源可信程度特征的主觀測(cè)量。周東浩[9]將微博看作一個(gè)融合了社交圖譜和興趣圖譜的關(guān)系網(wǎng)絡(luò)，其中節(jié)點(diǎn)之間的結(jié)構(gòu)相似度以及用戶對(duì)信息的傳播興趣對(duì)信息傳播概率的影響最大。在此基礎(chǔ)上，Metzger[10]認(rèn)為信息可信度不僅包括了對(duì)信息源的專業(yè)性、吸引力以及可信賴性的主觀信任度，同時(shí)也包括了信息內(nèi)容質(zhì)量、精確度的客觀評(píng)判。而方濱興等[11]進(jìn)一步將信息內(nèi)容、人員以及行為動(dòng)機(jī)的識(shí)別作為信息內(nèi)容安全判斷與控制的核心要素，且通過行為動(dòng)機(jī)的分析來客觀地反映人員的主觀行為。為了更好地分析信息內(nèi)容的質(zhì)量，Miyamori[12]開發(fā)了一個(gè)WISDOM系統(tǒng)，并從信息的內(nèi)容、傳播者、表面特征和社會(huì)價(jià)值等四個(gè)方面來度量信息的可信度。Castillo[13]提出了一個(gè)基于多級(jí)社交網(wǎng)絡(luò)的信息內(nèi)容可信度評(píng)價(jià)指標(biāo)體系，其中一級(jí)特征指標(biāo)包括信息內(nèi)容、接收者、話題和傳播等四項(xiàng)，二級(jí)指標(biāo)74項(xiàng)，為信息內(nèi)容可信度測(cè)量奠定了重要的分析基礎(chǔ)。

綜上，考慮到信息在傳播過程中主觀與客觀因素對(duì)信息可信度測(cè)量的影響，為了更有效地建立信息的可信度評(píng)價(jià)模型，需要進(jìn)一步深入地對(duì)可信信息以及上述六種不可信信息的特征進(jìn)行分析和量度，因此，本文從IC模型的五個(gè)維度出發(fā)，對(duì)信息在傳播過程中的可信度特征進(jìn)行研究與分析。

2　信息可信度特征與指標(biāo)體系的建立

2.1　信息可信度特征指標(biāo)

由于網(wǎng)絡(luò)結(jié)構(gòu)與人們的行為傾向?qū)π畔鞑?huì)產(chǎn)生非常大的不確定性影響，且傳播內(nèi)容的可信度與網(wǎng)絡(luò)的結(jié)構(gòu)特征、個(gè)體行為以及信息傳播的初始狀態(tài)之間存在著密切關(guān)系。同時(shí)，在線文本的有用性與價(jià)值性以及社交文本(如Tweets)內(nèi)容中的URL、關(guān)注數(shù)、轉(zhuǎn)發(fā)數(shù)和內(nèi)容長(zhǎng)度均可以作為信息可信度評(píng)估的最佳指標(biāo)[14]。Metzger[15]認(rèn)為信息可視化模式比信息內(nèi)容以及來源對(duì)可信度評(píng)估結(jié)果的影響更大。而Lipshultz[16]卻認(rèn)為在構(gòu)建公眾信任時(shí)的參與度、完整性以及目的性才是關(guān)鍵，他利用TweetLevel工具對(duì)Twitter中的信任進(jìn)行了度量，結(jié)果表明網(wǎng)絡(luò)中的個(gè)體愿意信任那些和自己建立聯(lián)系的用戶所發(fā)表的、且具有一定轉(zhuǎn)發(fā)數(shù)量與引用數(shù)的信息內(nèi)容。Castillo[17]則認(rèn)為Tweet中信息的可信度與信息源、主題、作者的聲譽(yù)、寫作風(fēng)格、信息傳播以及與時(shí)間相關(guān)特征緊密相關(guān)；徐靜[18]針對(duì)Web信息可信度的時(shí)效性、權(quán)威性、影響力和關(guān)注度四個(gè)特征進(jìn)行驗(yàn)證，并提出了一個(gè)多維度加權(quán)結(jié)合的可信度計(jì)算方法。Hardalov[1]則進(jìn)一步提出了一個(gè)基于語言學(xué)(主要指n-gram)、可信性(大小寫、發(fā)音、拼寫與情感)以及語義(Embedding and DBPedia Data)三者融合的富特征(20條特征)條件下，語言無關(guān)的自動(dòng)化的英文信息可信度識(shí)別方法，實(shí)驗(yàn)結(jié)果表明在特定的測(cè)試集下，內(nèi)容可信度的識(shí)別率竟高達(dá)99.36%。

目前，信息內(nèi)容的可信度研究主要集中在對(duì)信息特征的分析與定義以及基于特征的可信度檢測(cè)上，本文將IC模型中的五個(gè)維度作為信息內(nèi)容可信度特征分析的一級(jí)指標(biāo)，在此基礎(chǔ)上，將該指標(biāo)下所涉及的子特征細(xì)化為二級(jí)指標(biāo)，并將具體可度量的細(xì)化特征作為三級(jí)指標(biāo)，從而構(gòu)建了一個(gè)信息內(nèi)容可信度特征分析的指標(biāo)體系，如表2所示。

表2　信息內(nèi)容可信度特征指標(biāo)體系表

2.2　不可信信息特征描述與定義

在上述特征分析的基礎(chǔ)上，為了對(duì)不同類型的不可信信息的可信程度進(jìn)行分析，下面對(duì)這些類型的信息可信特征以及度量方法進(jìn)行分析。

2.2.1極端突發(fā)事件下模糊信息特征描述

突發(fā)事件是指突然發(fā)生的超常規(guī)的自然災(zāi)害、事故災(zāi)難、公共衛(wèi)生事件和社會(huì)安全事件的總稱。它具有突發(fā)性、無重復(fù)性、無章可循但又能產(chǎn)生重大次生影響的特征。特別是突發(fā)事件產(chǎn)生后，相關(guān)信息的模糊性，使得心理處于恐慌狀態(tài)的人群對(duì)信息的渴求強(qiáng)烈，從而成為了各類不可信信息滋生與傳播的土壤[19]。例如，在日本福島核泄露事件發(fā)生后，Thomson[20]研究發(fā)現(xiàn)與這場(chǎng)危機(jī)現(xiàn)場(chǎng)距離越近的傳播者(即傳播者可信度中的地理位置)越能增加共享信息的可信度。Mendoza[21]定義了基于詞共現(xiàn)的主題(話題)抽取方法，通過抽取包括信息、內(nèi)容(內(nèi)容在平臺(tái)上的特征、語法特征、語義特征)、信息媒介(媒介平臺(tái)特征)和接受者(評(píng)論轉(zhuǎn)發(fā)特征)等一系列特征研究極端突發(fā)事件信息可信度，尤其是在新聞可信度識(shí)別領(lǐng)域獲得了較高的準(zhǔn)確度。薛傳業(yè)[22]從信息內(nèi)容、傳播來源(內(nèi)容來源媒介特征)、傳播渠道(媒介平臺(tái)特征)、傳播者影響力、傳播者可信度、網(wǎng)絡(luò)依賴性等方面對(duì)突發(fā)事件中信息可信度進(jìn)行研究，發(fā)現(xiàn)網(wǎng)絡(luò)的使用和信息的完整性對(duì)突發(fā)事件信息的可信度影響不顯著，但其他因素對(duì)突發(fā)事件中信息的可信度則存在明顯影響。

2.2.2網(wǎng)絡(luò)偏激信息特征描述

網(wǎng)絡(luò)偏激信息本質(zhì)上是人們對(duì)現(xiàn)實(shí)社會(huì)認(rèn)知和情緒的反映，它包括了夸大事實(shí)信息、斷章取義和以偏概全等言論，并影響公眾對(duì)社會(huì)生活審視的立場(chǎng)和價(jià)值判斷。網(wǎng)絡(luò)偏激信息往往會(huì)帶來嚴(yán)重的煽動(dòng)效應(yīng)，并對(duì)個(gè)人及社會(huì)造成嚴(yán)重的不良影響。Lewandowsky[23]指出：人們對(duì)事件的信任源自于其大腦中所形成的未被大眾質(zhì)疑的信仰和觀念。特別是當(dāng)信息中包含與用戶興趣偏好一致的信仰與觀念時(shí)，即使信息內(nèi)容中存在著夸大或帶有某些偏激的言論，人們可能也會(huì)不加驗(yàn)證地選擇接受。另外，由于偏激信息整體言論是可信的，只有部分言論是不可信的，導(dǎo)致了僅從文本內(nèi)容語法特征以及淺顯的語義特征兩個(gè)方面將無法完成對(duì)偏激信息的判斷與識(shí)別，所以目前的研究采用了深度學(xué)習(xí)技術(shù)從信息內(nèi)容本身的深層語義理解方向進(jìn)行分析與研究，進(jìn)而識(shí)別與判定偏激信息。

2.2.3網(wǎng)絡(luò)謠言特征描述

謠言是一種在人群之間私下流傳，對(duì)公眾感興趣的事物、事件或問題未經(jīng)證實(shí)的闡述或詮釋[24]。因此，謠言往往是一個(gè)有爭(zhēng)議的與事實(shí)有待檢驗(yàn)的陳述[5]。Turner[25]指出，通過是否有可靠的消息來源、是否是人們所預(yù)期與希望知道的信息以及聽起來似乎是真的這三個(gè)方面的特征可以有效驗(yàn)證謠言的真實(shí)性。Bessi[26]在研究Facebook中的謠言信息時(shí)，發(fā)現(xiàn)用戶更傾向于和自己觀點(diǎn)相同的好友(話題的用戶特征)進(jìn)行交流與傳播。Hamidian[27]利用了包括時(shí)間、標(biāo)簽、URL和轉(zhuǎn)發(fā)等特征和內(nèi)容的一元、二元模型的語法特征以及100維的Twitter潛在語義向量(TLV)特征進(jìn)行謠言檢測(cè)。Yang[28]收集了大量被新浪官方正式辟謠的新浪微博謠言數(shù)據(jù)集，進(jìn)行了基于時(shí)間與地理位置以及客戶端程序發(fā)送微博情況在內(nèi)的19種信息內(nèi)容特征的謠言檢測(cè)與識(shí)別。Liu[29]將信息來源媒介的可信度、媒介身份和媒介平臺(tái)等特征相結(jié)合，并采用實(shí)時(shí)性算法來實(shí)現(xiàn)謠言信息的實(shí)時(shí)檢測(cè)。周東浩[9]利用傳播者與接受者的興趣偏好相似度特征來研究信息的傳播，并指出傳播者與接受者的興趣偏好相似度越高，接受者越傾向于接受傳播者所傳播的信息，且信息是否契合用戶的興趣偏好也是決定用戶是否接受并傳播的重要因素。

2.2.4網(wǎng)絡(luò)普通虛假信息特征描述

虛假信息是指“故意制造的不真實(shí)信息”，它具有傳播速度快、傳播范圍廣和傳播結(jié)構(gòu)呈散布型網(wǎng)狀結(jié)構(gòu)的特點(diǎn)。Fallis[30]將虛假信息的主要特點(diǎn)概括為：它是一款精心策劃的產(chǎn)品，從技術(shù)上看是一個(gè)復(fù)雜的欺騙過程，但虛假信息的來源并不一定是虛假的，也就是說通過虛假信息的來源特征并不能準(zhǔn)確評(píng)判虛假信息。因此，僅利用信息的來源則無法區(qū)分虛假信息與其他信息，同時(shí)，虛假信息的傳播對(duì)象往往針對(duì)特定的人群或組織。Karlova[6]從真實(shí)性、準(zhǔn)確性、完整性、時(shí)效性和欺騙性五個(gè)維度測(cè)量與區(qū)分誤報(bào)信息、虛假信息和政治宣傳信息，并指出這三種信息在本質(zhì)上只有虛假信息帶有蓄意欺騙性質(zhì)。Kumar[31]從認(rèn)知心理學(xué)角度，采用信息傳播所涉及的信息的一致性、相關(guān)的消息、信息接受者的總體可接受性和消息來源的可靠性等四種相關(guān)的欺騙線索來分析和評(píng)估社交媒體上誤報(bào)信息、虛假信息和政治宣傳信息的差異，并提出了阻止虛假信息傳播的不同解決方案。

2.2.5誤報(bào)信息特征描述

誤報(bào)信息是指錯(cuò)誤的或誤導(dǎo)性的信息，它常常具有被官方或影響力高的人員來發(fā)布、擴(kuò)散傳播迅速、存活時(shí)間短和較易被證實(shí)的特點(diǎn)。Ratkiewicz[5]研究了2010年美國總統(tǒng)競(jìng)選活動(dòng)中在Twitter上的選舉造勢(shì)的內(nèi)容數(shù)據(jù)，發(fā)現(xiàn)具有很強(qiáng)傳播感染性的誤報(bào)信息用錯(cuò)誤觀念影響了民眾的支持傾向，并對(duì)投票選舉結(jié)果產(chǎn)生了嚴(yán)重影響。Karlova[32]認(rèn)為誤報(bào)信息很難檢測(cè)，但是采用基于群體智慧的眾包方式則可以有效地對(duì)其進(jìn)行識(shí)別和控制。Neys[33]和Lewandowsky[23]認(rèn)為誤報(bào)信息的存在是極其危險(xiǎn)的，需要對(duì)網(wǎng)絡(luò)中的誤報(bào)信息進(jìn)行檢測(cè)、識(shí)別，并盡可能使其在早期得到及時(shí)的預(yù)防與控制。表3將信息、誤報(bào)信息與虛假信息從真實(shí)性、完整性、時(shí)效性和欺騙性這四個(gè)維度進(jìn)行比較分析，其中誤報(bào)信息和虛假信息均不真實(shí)，但只有虛假信息具有欺騙性。

表3　信息、誤報(bào)信息與虛假信息比較表

注：Y=Yes，N=No；Y/N=可能是Yes也可能是No，取決于信息的本身和時(shí)間

2.2.6垃圾信息特征描述

網(wǎng)絡(luò)中垃圾信息通常是指由網(wǎng)絡(luò)水軍創(chuàng)造的隨意且無用的信息，以及各種無效廣告等與用戶無關(guān)的信息。由于網(wǎng)絡(luò)垃圾信息無用且干擾了正常的信息獲取，因此，用戶往往不會(huì)主動(dòng)傳播這類信息，同時(shí)也希望識(shí)別并過濾掉這些信息對(duì)人們產(chǎn)生的負(fù)面影響。Ratkiewicz[5]利用meme的節(jié)點(diǎn)數(shù)量、邊的數(shù)量、平均度、平均強(qiáng)度、最大連接組件的平均邊權(quán)重、最大最小出入度以及六類情緒統(tǒng)計(jì)維度等共18種特征對(duì)網(wǎng)絡(luò)中的垃圾信息進(jìn)行了分類。Wang[34]利用基于用戶粉絲和關(guān)注的有向圖特征以及Tweets內(nèi)容本身特征如重復(fù)Tweets、評(píng)論與@用戶(接受者評(píng)論/轉(zhuǎn)發(fā)特征)、URL和話題等四種特征對(duì)Twitter進(jìn)行了垃圾信息檢測(cè)。Tan[35]抽取了網(wǎng)站評(píng)論信息中的垃圾內(nèi)容與URL之間的連接關(guān)系，并通過社交圖譜定義了垃圾信息散布者的節(jié)點(diǎn)特征、分享信息的URL和用戶鏈接圖譜的節(jié)點(diǎn)度、邊特征等在內(nèi)的九個(gè)相關(guān)特征，從而為垃圾信息的識(shí)別與過濾奠定了實(shí)現(xiàn)基礎(chǔ)。

綜上，通過對(duì)上述六類信息的可信度特征描述與分析，本文進(jìn)一步將這六種不可信信息的特征指標(biāo)進(jìn)行對(duì)比，形成的整個(gè)特征指標(biāo)體系如表4所示。

表中的對(duì)勾號(hào)(√)代表“存在”，比如第一個(gè)(√)，表示在“極端突發(fā)事件信息”中存在著“傳播者影響力”特征。

表4　六類不可信信息的特征比較表

3　內(nèi)容可信度分析建模

根據(jù)IC信息可信度模型以及信息可信特征指標(biāo)體系，如何建立基于特征的信息內(nèi)容可信度分析與評(píng)估模型則成為了關(guān)鍵。圖2顯示了網(wǎng)絡(luò)信息可信度分析的基本過程，即主要包括信息獲取、話題識(shí)別與跟蹤、特征抽取、可信度模型的建立與分析以及計(jì)算結(jié)果的評(píng)估。在此基礎(chǔ)上，本文從傳統(tǒng)的信息可信度基本模型、基于淺語義特征的可信度模型、基于媒體融合的深層語義理解研究以及其他相關(guān)模型[38]等方面來分別進(jìn)行介紹。

3.1　信息可信度基本模型

Fogg[36]提出一個(gè)評(píng)判互聯(lián)網(wǎng)信息可信度過程的“關(guān)注—釋義”模型，該模型認(rèn)為人們對(duì)信息往往是先關(guān)注后釋義，即：當(dāng)評(píng)判在線信息的可信度時(shí)，人們首先會(huì)觀察到一些需要關(guān)注的信息要素，然后再對(duì)這些元素進(jìn)行解釋和釋義。其中，有五個(gè)關(guān)鍵因素直接影響到了“關(guān)注”的程度：用戶的參與程度(即審查網(wǎng)頁內(nèi)容的動(dòng)機(jī)或能力)、網(wǎng)站的話題(新聞或娛樂)、用戶的任務(wù)動(dòng)機(jī)(尋找信息)、用戶的經(jīng)驗(yàn)(新手或?qū)＜?以及個(gè)體差異(認(rèn)知的需求、學(xué)習(xí)方式)。而在“釋義”階段，主要的影響因素包括用戶的期望假設(shè)(文化、過去經(jīng)歷等)、用戶能力與知識(shí)以及外部環(huán)境等因素。 Sunder[37]提出了由信息傳播的媒介、代理、交互性和可操縱性等四個(gè)要素組成的MAIN模型。其中，信息媒介的差異會(huì)采用不同的方式將信息傳播給不同的受眾；代理則表示媒介的具體代表；交互性反映了人們的信息交流方式，不同的互動(dòng)方式所采用的啟發(fā)式評(píng)測(cè)規(guī)則也會(huì)存在差異；可操縱性反映了獲取信息的操作方式，例如，網(wǎng)站的層次結(jié)構(gòu)、大綱和超鏈接的設(shè)計(jì)會(huì)直接影響到人們獲取信息的難易程度。通過分析上述四個(gè)要素來獲取對(duì)信息質(zhì)量評(píng)估的啟發(fā)式判斷規(guī)則。

圖2　信息內(nèi)容可信度分析過程示意圖

高雅[38]在新聞信息可信度評(píng)測(cè)要素研究的基礎(chǔ)之上，結(jié)合微博的傳播學(xué)特征和社會(huì)網(wǎng)絡(luò)結(jié)構(gòu)特征，在多級(jí)信息分層傳播條件下，建立了一個(gè)微博新聞事件信息可信度模型，即一級(jí)傳播提供了對(duì)事件信息可信度分析的基準(zhǔn)，而多級(jí)多次傳播則為信息可信度分析和度量提供了一個(gè)基于網(wǎng)絡(luò)節(jié)點(diǎn)特征以及傳播動(dòng)力學(xué)特征的新視角，并利用因子分析法和層次分析法，采用主客觀相結(jié)合的方式來確定指標(biāo)體系的權(quán)重，實(shí)現(xiàn)了微博事件信息的可信度評(píng)判。郭國慶[39]在研究消費(fèi)者在線評(píng)論可信度的影響時(shí)，在霍夫蘭德信息傳播模型的基礎(chǔ)上，從信源、信息內(nèi)容、接受者以及社會(huì)影響這四個(gè)角度對(duì)在線評(píng)論內(nèi)容的可信度進(jìn)行研究，特別是將在線評(píng)論作為一個(gè)重要社會(huì)影響因素，提出了一個(gè)在線評(píng)論的可信度影響模型。Lucassell[40]利用信息語義(semantics)、表面特征(surface)和信息源(source)三者組成的3S模型來判斷信息的可信度，并展示了信任判斷的形成過程，通過實(shí)驗(yàn)驗(yàn)證了該模型具有較好的信息可信度識(shí)別率。

Wu[41]利用新浪微博官方公布的謠言庫建立了網(wǎng)絡(luò)信息可信度評(píng)估平臺(tái)(NICE)，并用來評(píng)估社交媒體上未被檢驗(yàn)可信性的信息可信度。該平臺(tái)首先從用戶特征、內(nèi)容特征、時(shí)間特征和評(píng)論特征四個(gè)方面對(duì)事件信息進(jìn)行可信度表示(the credibility representation)，事件可信度表示如式(2)所示。

(2)

隨后，利用常規(guī)的邏輯回歸分類算法將信息劃分為謠言信息和非謠言信息，如圖3所示?；谠撍悸?，NICE模型在評(píng)估信息可信度和檢測(cè)謠言方面具有了較好的性能。

圖3　NICE平臺(tái)整體結(jié)構(gòu)示意圖

3.2　基于淺語義特征的可信度模型

Gupta[42]在對(duì)信息可信度特征進(jìn)行抽取的基礎(chǔ)上，采用有監(jiān)督機(jī)器學(xué)習(xí)的RankSVM方法對(duì)微博信息進(jìn)行可信度評(píng)分排序；同時(shí)，利用基于PageRank和事件圖相結(jié)合的算法來計(jì)算Twitter內(nèi)容的可信度，并獲得較高的準(zhǔn)確率[43]。Chang[44]則利用謠言特征所建立的五種結(jié)構(gòu)和時(shí)間特征規(guī)則來對(duì)Twitter中的政治謠言以及極端用戶進(jìn)行識(shí)別和檢測(cè)。為了進(jìn)一步檢測(cè)具有多信息來源的網(wǎng)絡(luò)信息內(nèi)容可信度，Pasternack[45]提出了一個(gè)LCA概率模型，該模型利用來自真實(shí)世界的兩個(gè)無監(jiān)督數(shù)據(jù)集和兩個(gè)半監(jiān)督的數(shù)據(jù)集，通過對(duì)內(nèi)容的語義擴(kuò)展來獲取更有價(jià)值的可信度特征因素，并提高了可信度判別的準(zhǔn)確率。而Unankard[46]利用基于文本相似度和位置相關(guān)性聚類模型對(duì)Tweets的內(nèi)容進(jìn)行聚類，從而獲取更多信用語義特征，用來對(duì)Twitter中所發(fā)生的事件的信用特征進(jìn)行評(píng)估。而Kyoto大學(xué)研發(fā)的基于聚類模型的WISDOM[47]信息可信度綜合評(píng)估系統(tǒng)，則通過對(duì)搜索引擎搜索結(jié)果中的一個(gè)或多個(gè)特征屬性進(jìn)行內(nèi)容聚類，如按照信息發(fā)送者、主要觀點(diǎn)和對(duì)立觀點(diǎn)等方面進(jìn)行聚類，為用戶提供了多個(gè)角度的信息可信度評(píng)價(jià)。

3.3　基于媒體融合的深層語義理解研究可信度

深度學(xué)習(xí)技術(shù)快速發(fā)展，使得人們從信息內(nèi)容表層淺顯語義研究過渡到了深層語義理解問題的研究上。例如，由于網(wǎng)絡(luò)偏激信息中存在一部分夸大的言論或者是貶低的事實(shí)，而另一部分信息往往是可信的，從簡(jiǎn)單的淺層語義特征無法對(duì)該類信息做出準(zhǔn)確的判斷與識(shí)別，這就需要進(jìn)一步采用深層語義理解以提高對(duì)偏激信息可信度的識(shí)別準(zhǔn)確率。而Takahashi抽取了謠言內(nèi)容的日期、地點(diǎn)、人物和組織等信息特征，并對(duì)這些特征信息進(jìn)行過濾，實(shí)現(xiàn)謠言檢測(cè)，利用淺層特征對(duì)謠言的識(shí)別率僅維持在34%左右。而Hamidian[27]加入了深層語義特征后，利用謠言內(nèi)容的時(shí)間、標(biāo)簽、URL、轉(zhuǎn)發(fā)等Twitter信息以及特定網(wǎng)絡(luò)特征和內(nèi)容的一元模型、二元模型等語法特征信息，首次利用了100維的Twitter潛在向量(TLV)的語義特征進(jìn)行謠言檢測(cè)，使得謠言的識(shí)別精確率提高到了97.2%。

另一方面，網(wǎng)絡(luò)中的信息越來越呈現(xiàn)出多媒體融合的新特征，大量的圖片、視頻和音頻等多媒體信息與本文信息相互結(jié)合且相互影響，通過不同媒體信息的可信特征的抽取與識(shí)別，以及語義特征的補(bǔ)充，例如，網(wǎng)絡(luò)中常說到的“有圖有真相”，就是將圖片中的可信特征與文本的可信特征進(jìn)行了結(jié)合，提高了內(nèi)容可信度的識(shí)別準(zhǔn)確率，但同時(shí)也增加了計(jì)算處理的復(fù)雜程度。其中，如何對(duì)信息中存在的多媒體內(nèi)容的真實(shí)性與可信性進(jìn)行度量，以及多媒體信息內(nèi)容與文本內(nèi)容之間的可信度特征的融合策略等方面仍然存在著關(guān)鍵性的挑戰(zhàn)。

4　信息內(nèi)容可信度測(cè)量評(píng)價(jià)方法

通過對(duì)信息可信度特征的抽取與信息可信度建模，可以對(duì)信息內(nèi)容可信度進(jìn)行計(jì)算和測(cè)量，但是如何評(píng)價(jià)測(cè)量結(jié)果的質(zhì)量好壞與有效性，則是一個(gè)關(guān)鍵。一般地，可信度測(cè)量評(píng)價(jià)分為可信度的客觀評(píng)測(cè)和用戶感知評(píng)測(cè)兩方面，其中，客觀評(píng)測(cè)是指通過常規(guī)量化的客觀指標(biāo)評(píng)測(cè)信息內(nèi)容的可信度，這些指標(biāo)包括真正率(TP-Rate)、真負(fù)率(TN-Rate)、假正率(FP-Rate)、假負(fù)率(FN-Rate)、準(zhǔn)確率(Accuracy Rate)、精確率(Precision Rate)、召回率(Recall Rate)和F1度量(F1-measure)等。而用戶感知測(cè)評(píng)主要是從用戶自身感受的角度所形成的Checklist標(biāo)準(zhǔn)，其中包括時(shí)效性、權(quán)威性、客觀性、準(zhǔn)確性以及信息覆蓋范圍等。這兩個(gè)方面從不同的側(cè)面和角度對(duì)信息內(nèi)容的可信度進(jìn)行了評(píng)測(cè)。此外，本文還對(duì)在線信息內(nèi)容可信度的實(shí)時(shí)性測(cè)評(píng)以及基于實(shí)證的測(cè)評(píng)方法進(jìn)行了介紹。

4.1　內(nèi)容可信度客觀評(píng)測(cè)

內(nèi)容可信度的客觀評(píng)測(cè)主要通過常規(guī)量化的客觀指標(biāo)進(jìn)行評(píng)測(cè)。Castillo[13]對(duì)文本特征子集、用戶特征子集、傳播特征子集和最常見特征子集等四個(gè)特征子集從真正率、假正率、精確率、召回率和F1度量等客觀指標(biāo)進(jìn)行內(nèi)容可信度評(píng)估。Hardalov[1]利用信息內(nèi)容的語法、內(nèi)容和語義等特征，在三種不同的數(shù)據(jù)集上驗(yàn)證虛假信息檢測(cè)的準(zhǔn)確率，并在此基礎(chǔ)上對(duì)信息可信度進(jìn)行評(píng)測(cè)，結(jié)果表明語法特征比內(nèi)容特征的評(píng)價(jià)準(zhǔn)確率更高，而基于語義特征的評(píng)價(jià)準(zhǔn)確率最高。Zhang[48]使用精確率作為唯一客觀評(píng)估指標(biāo)，利用GPPooled Brown、GPPooled Bow和Majority三種方法對(duì)Tweets的內(nèi)容進(jìn)行了謠言檢測(cè)，發(fā)現(xiàn)GPPooled Bow法的精確度明顯高于其他兩種算法。Liu[29]利用準(zhǔn)確率從Tweets數(shù)量和時(shí)間上對(duì)文中提到的四種方法進(jìn)行了評(píng)估，發(fā)現(xiàn)特定的算法組合將會(huì)在數(shù)量和時(shí)間上獲得最佳的準(zhǔn)確度。

4.2　內(nèi)容可信度的用戶感知評(píng)測(cè)

客觀指標(biāo)是從內(nèi)容的基本物理特征出發(fā)，來研究信息內(nèi)容的可信度，缺少用戶主體自身對(duì)信息可信度的感受。因此，美國圖書館協(xié)會(huì)(ALA)主導(dǎo)的可信度評(píng)測(cè)系統(tǒng)則從信息的權(quán)威性、時(shí)效性、客觀性、公開性、準(zhǔn)確性以及信息覆蓋范圍等標(biāo)準(zhǔn)，并采用Checklist方法來對(duì)網(wǎng)站信息的質(zhì)量進(jìn)行自動(dòng)評(píng)估。Gupta[2]在基于半監(jiān)督排序模型的基礎(chǔ)上，開發(fā)了一個(gè)實(shí)時(shí)可信度評(píng)分的瀏覽器插件TweetCred，它可以利用用戶打分和用戶問卷調(diào)查兩種反饋方式獲取用戶對(duì)信息的主觀評(píng)價(jià)，并實(shí)現(xiàn)對(duì)信息內(nèi)容可信度質(zhì)量的度量。Rieh[49]認(rèn)為信息內(nèi)容的可信度不是一個(gè)離散的評(píng)估事件，而是一個(gè)持續(xù)不斷的迭代過程，因此，通過主觀判斷來實(shí)現(xiàn)信息的真實(shí)性、可靠性、準(zhǔn)確性和完整性的分類，以及信息可信度與信息質(zhì)量的評(píng)價(jià)，這也是一個(gè)動(dòng)態(tài)的過程。綜上，本文根據(jù)相關(guān)文獻(xiàn)[50]總結(jié)出與用戶感知評(píng)測(cè)相關(guān)的指標(biāo)，如表5所示。

表5　信息可信度用戶感知指標(biāo)

4.3　信息可信度實(shí)時(shí)自動(dòng)檢測(cè)

在線網(wǎng)絡(luò)信息往往具有極強(qiáng)的時(shí)效性特征，特別是為了消除由于大量不準(zhǔn)確或者虛假信息的廣泛傳播，對(duì)社交網(wǎng)絡(luò)以及社會(huì)和諧所造成的危害與負(fù)面的影響，如何對(duì)信息內(nèi)容可信度進(jìn)行實(shí)時(shí)的分析與檢測(cè)也成為了目前的研究關(guān)鍵與挑戰(zhàn)之一。傳統(tǒng)的謠言檢測(cè)方法一般是對(duì)每條Tweet內(nèi)容進(jìn)行可信度分析，但大多數(shù)情況下我們僅記得某個(gè)事件的關(guān)鍵字，很難完整地描述一條Tweet所敘述的事件。Gupta[2]利用開發(fā)的TweetCred插件，對(duì)540萬條Tweets信息的可信度進(jìn)行計(jì)算，實(shí)驗(yàn)結(jié)果顯示，82%的用戶檢測(cè)到系統(tǒng)中存在的不良信息，所需要的響應(yīng)時(shí)間為6秒，99%的用戶檢測(cè)到不良信息的響應(yīng)時(shí)間控制在10秒以內(nèi)，從而保證了實(shí)時(shí)的可信度評(píng)分。Zhao[51]利用BOSTON數(shù)據(jù)集進(jìn)行謠言檢測(cè)，利用改進(jìn)算法來進(jìn)行謠言檢測(cè)，其中檢測(cè)出46個(gè)謠言所使用的時(shí)間為4.3小時(shí)，而利用主題趨勢(shì)算法檢測(cè)出71個(gè)謠言的平均時(shí)間為3.6小時(shí)，利用標(biāo)簽追蹤算法檢測(cè)35個(gè)謠言所需要的時(shí)間為2.8小時(shí)。由于信息傳播過程的復(fù)雜性與信息特征的差異性，面對(duì)海量的在線信息，在實(shí)時(shí)檢測(cè)的基礎(chǔ)上，提高信息可信度識(shí)別的準(zhǔn)確率，仍然是未來研究的熱點(diǎn)之一。

4.4　信息可信度的實(shí)證研究

實(shí)證研究能夠?yàn)榫W(wǎng)絡(luò)傳播中的信息在可信度檢測(cè)方面提供有效的佐證，并通過問卷調(diào)查來獲得信息可靠性與可信性的評(píng)判依據(jù)。目前，信息可信度的實(shí)證研究主要是針對(duì)特定的熱點(diǎn)事件，而網(wǎng)絡(luò)中不同類型的信息可信度的實(shí)證研究并沒有形成通用方法或架構(gòu)，如湯志偉[19]選取了汶川大地震作為網(wǎng)絡(luò)公共危機(jī)案例，采用實(shí)證方法研究信息的可信度問題。結(jié)果顯示，網(wǎng)民對(duì)政府與傳統(tǒng)媒體所發(fā)布的信息的可信度評(píng)價(jià)顯著高于普通網(wǎng)民發(fā)布的信息，而對(duì)網(wǎng)絡(luò)新聞的可信度要高于論壇信息和即時(shí)通信工具所傳播的信息。此外，網(wǎng)民在公共危機(jī)時(shí)對(duì)網(wǎng)絡(luò)信息的可信度評(píng)價(jià)與其所具有的網(wǎng)絡(luò)經(jīng)驗(yàn)、信任傾向顯著相關(guān)，但與性別、年齡等因素不存在明顯相關(guān)性。

5　研究展望

本文針對(duì)目前網(wǎng)絡(luò)傳播信息內(nèi)容的可信度研究進(jìn)行了分析與綜述。首先，通過對(duì)信息特征的梳理，將信息分為可信信息與不可信信息，且不可信信息根據(jù)可信的程度又進(jìn)一步分為：極端突發(fā)事件信息、網(wǎng)絡(luò)偏激信息、網(wǎng)絡(luò)謠言、虛假信息、誤報(bào)信息和垃圾信息等六種類型，并結(jié)合信息在網(wǎng)絡(luò)中的傳播特點(diǎn)與要素從內(nèi)容、話題、媒介、傳播者和接受者等維度對(duì)不同類型的信息進(jìn)行了特征描述與定義。其次，從信息內(nèi)容與信息傳播等淺層語義特征、基于多媒體的信息融合以及深層語義理解等角度，對(duì)信息的可信度建模工作進(jìn)行了梳理與歸納總結(jié)。在此基礎(chǔ)上，本文對(duì)信息內(nèi)容可信度的評(píng)價(jià)方法進(jìn)行了分析，并通過從客觀評(píng)測(cè)、用戶感知評(píng)測(cè)、信息實(shí)時(shí)性和實(shí)證評(píng)價(jià)等多個(gè)方面對(duì)信息可信度的評(píng)測(cè)標(biāo)準(zhǔn)與方法進(jìn)行了分析與介紹。

此外，本文針對(duì)網(wǎng)絡(luò)傳播信息可信度分析過程中存在的關(guān)鍵技術(shù)與挑戰(zhàn)也進(jìn)行了介紹和分析，特別是在目前社交網(wǎng)絡(luò)正在呈現(xiàn)出海量實(shí)時(shí)交互條件下的跨語言、跨媒介以及跨媒體的新特征，也為網(wǎng)絡(luò)傳播的信息的可信度識(shí)別帶來了前所未有的新挑戰(zhàn)。例如，當(dāng)考慮到來自新聞、微博、微信、論壇等不同類型的跨媒介信息交叉擴(kuò)散傳播的過程中，由于信息產(chǎn)生的來源、環(huán)境、傳播者、接受者、媒介等要素都發(fā)生了不同程度的變化，從而導(dǎo)致了原有的單網(wǎng)絡(luò)媒介信息傳播過程中的信息可信度研究方法無法應(yīng)用于跨媒介情況，因此，需要?jiǎng)?chuàng)建一些全新的跨域條件下的網(wǎng)絡(luò)傳播信息可信度的分析與建模方法與策略。同樣，當(dāng)考慮到多語言信息之間的關(guān)聯(lián)、自動(dòng)翻譯與聚類跟蹤，以及多媒體條件下的語義映射，都為信息可信度的分析提出了更高的要求與挑戰(zhàn)。解決這些問題，不僅需要通過知識(shí)圖譜與知識(shí)推理，同時(shí)也需要對(duì)信息的傳播動(dòng)力學(xué)機(jī)制進(jìn)行深入研究，在此基礎(chǔ)上，結(jié)合目前的深度學(xué)習(xí)以及強(qiáng)化學(xué)習(xí)的策略，逐步尋找到一個(gè)更好的信息可信度的識(shí)別與分析方法，而這些工作與挑戰(zhàn)也不斷激勵(lì)著人們向更高的研究目標(biāo)前進(jìn)。

[1]Hardalov M,Koychev I,Nakov P.In search of credible news[C]//Proceedings of the AIMSA 2016,Springer,LNAI9883,2016：172-180.

[2]Howell L.Digital wildfires in a hyperconnected world [R/OL].http://reports.wetorum.org/global-risks-2013/risk-case-11digital-wildfires-in-a-hyper connected-world1,2013.

[3]Gupta A,Kumaraguru P,Castillo C,et al.TweetCred：Real time credibility assessment of content on Twitter[C]//Proceedings of the SocInfo 2014,2014：228-243.

[4]中國災(zāi)害防御協(xié)會(huì).中華人民共和國突發(fā)事件應(yīng)對(duì)法[2007][G].中國突發(fā)公共事件防范與快速處置2008優(yōu)秀成果選編.2008.

[5]Ratkiewicz J,Conover M,Meiss M,et al.Detecting and tracking the spread of astroturf memes in microblog streams[J].Computer Science,2010：249-252.

[6]Karlova N A,Lee J H.Notes from the underground city of disinformation：A conceptual investigation[C]//Proceedings of the ASIST 2011,2011,48(1)：1-9.

[7]West M D.Validating a Scale for the measurement of credibility：A covariance structure modeling approach[J].Joumalism Quarterly,1994,71(1)：159-168.

[8]Tseng S,Fogg B J.Credibility and computing technology[J].Communications of the ACM,1999,42(5)：39-44.

[9]周東浩,韓文報(bào),王勇軍.基于節(jié)點(diǎn)和信息特征的社會(huì)網(wǎng)絡(luò)信息傳播模型[J].計(jì)算機(jī)研究與發(fā)展,2015,52(1)：156-166.

[10]Metzger M J.Making sense of credibility on the web：Models for evaluating online information and recommendations for future research[J].Journal of the American Society for Information Science and Technology,2007,58(13)：2078-2091.

[11]方濱興,賈焰,韓毅.社交網(wǎng)絡(luò)分析核心科學(xué)問題、研究現(xiàn)狀及未來展望[J].中國科學(xué)院院刊,2015,30(2)：187-199.

[12]Miyamori H,Akamine S,Kato Y,et al.Evaluation data and prototype system WISDOM for information credibility analysis[J].Internet Research,2008,18(2)：155-164.

[13]Castillo C,Mendoza M,Poblete B.Information credibility on Twitter[C]//Proceedings of the 20th international conference on World wide web.ACM,2011：675-684.

[14]J O’Donovan,B Kang,G.Hllerer,et al.Credibility in context：An analysis of feature distribution in Twitter[J]Prjuacn,Searity,Risk & Trust,2013,545(3)：293-301.

[15]Metzger M J,Andrew J F.Credibility and trust of information in online environments：The use of cognitive heuristics[J].Journal of Pragmatics,2013，59(112)：210-220.

[16]J H Lipschultz,Social Media Trust,Credibility and Reputation Management [EB/OL],https://www.huffingtonpost.com/jeremy-harris-lipschultz/soliul-media-trust-credib_b_3858017.html,2013.

[17]Castillo C,Mendoza M,Poblete B.Predicting information credibility in time-sensitive social media(+supplementary material).Internet Research[J].2013,23(5)：560-588.

[18]徐靜,楊小平,柳增.基于內(nèi)容信任的Web信息可信度驗(yàn)證方法研究[J].北京理工大學(xué)學(xué)報(bào),2014,34(7)：710-715.

[19]湯志偉,彭志華,張會(huì)平.網(wǎng)絡(luò)公共危機(jī)信息可信度的實(shí)證研究——以汶川地震為例[J].情報(bào)雜志,2010,29(2)：45-49.

[20]Thomson R,Ito N,Suda H,et al.Trusting tweets：The Fukushima disaster and information source credibility on Twitter[C]//Proceedings of the 9th International ISCRAM Conference,2012：1-10.

[21]Mendoza M,Poblete B,Castillo C.Twitter under crisis：Can we trust what we RT?[C]//Proceedings of the 1st Workshop on Social Media Analytics.ACM Press,2010：71-79.

[22]薛傳業(yè),夏志杰,張志花,等.突發(fā)事件中社交媒體信息可信度研究[J].現(xiàn)代情報(bào),2015，35(4)：12-16.

[23]Lewandowsky S,Ecker U K,Seifert C M,et al.Misinformation and its correction continued influence and successful debiasing[J].Psychol Sci Public Interest,2012,13(3)：106-131.

[24]Peterson W A,Gist N P.Rumor and public opinion[J].American Journal of Sociology,1951,57(2)：159-167.

[25]Turner R H， Kapferer J N， Fink B.Rumors：Uses,Interpretations and Images[J].Contemporary Sociology,,1990,20(5)：794.

[26]Bessi A,Coletto M,Davidescu G A,et al.Science Vs.conspiracy：Collective narratives in the age of Misinformation [J].Plos One,2015,10(2)：1-17.

[27]Hamidian S,Diab M T.Rumor identification and belief investigation on Twitter[C]//Proceedings of the 7th WASSA,2016：3-8.

[28]Yang F,Liu Y,Yu X,et al.Automatic detection of rumor on Sina Weibo[C]//Proceedings of the ACM SIGKDD Workshop on Mining Data Semantics.ACM,2012：13.

[29]Liu X,Nourbakhsh A,Li Q,et al.Real-time rumor debunking on Twitter[C]//Proceedings of the 24th ACM International on Conference on Information and Knowledge Management.ACM,2015：1867-1870.

[30]Fallis D.A conceptual analysis of disinformation[C]//Proceedings of the 4th Amual iConference,2009.

[31]Kumar K P K,Geethakumari G.Detecting misinformation in online social networks using cognitive psychology[J].Human-centric Computing and Information Sciences,2014,4(1)：1.

[32]Karlova N A,Fisher K E.Plz RT：A social diffusion model of misinformation and disinformation for understanding human information behaviour[J].Inform Research,2013,18(1)：1-17.

[33]DeNeys W,Cromheeke S,Osman M(2011)Biased but in doubt：Conflict and decision condence[J].Plos One 6(1)：e15954.

[34]Wang A H.Don’t follow me：Spam detection in Twitter[C]//Proceedings of the 2010 International Conference on Security and Cryptography.IEEE,2010：1-10.

[35]Tan E,Guo L,Chen S,et al.Unik：Unsupervised social network spam detection[C]//Proceedings of the 22 nd ACM internulind conference on information & knowle dge management 2013：479-488.

[36]Fogg B J.Prominence-interpretation theory：Explaining how people assess credibility online[C]//Proceedings of the ACM Chi Lauderdle Florida Usa ACM,2003 722-723.

[37]Sundar S S.Technology and credibility：Cognitive heuristics cued by modality,agency,interactivity and navigability[J].Digital Media,Youth,and Credibility.MacArthur Foundation Series on Digital Media and Learning,2007：73-100.

[38]高雅.微博新聞事件信息可信度評(píng)價(jià)[D].吉林：吉林大學(xué)碩士學(xué)位論文，2013.

[39]郭國慶,陳訊,何飛.消費(fèi)者在線評(píng)論可信度的影響因素研巧[J],當(dāng)代經(jīng)濟(jì)管理,2010(10)：17-23.

[40]Lucassen T,Schraagen J M.Factual accuracy and trust in information：The role of expertise[J].Journal of the Association for Information Science and Technology,2011,62(7)：1232-1242.

[41]Wu S,Liu Q,Liu Y,et al.Information credibility evaluation on social media[C]//Proceedings of the 13th AAAI Conference on Artificial Intelligence,2016.

[42]Gupta A,Kumaraguru P.Credibility ranking of Tweets during high impact events[C]//Proceedings of the 1st workshop on Privacy and security in Onlire Social Media.2012：2-8.

[43]Gupta M,Zhao P,Han J.Evaluating Event Credibility on Twitter[C]//Proceedings of the 2012 SIAG/DM,2012：153-164.

[44]Chang C,Zhang Y,Szabo C,et al.Extreme user and political rumor detection on Twitter[C]//Proceedings of the Advanced Data Mining and Applications.Springer International Publishing,2016：751-763.

[45]Pasternack J,Dan R.Latent credibility analysis[C]//Proceedings of the International Conference on World Wide Web.2013：1009-1020.

[46]Unankard S.,Li X,Sharaf M A.Emerging event detection in social networks with location sensitivity[J].World Wide Web-internet & Web Information Systems,2015,18(5)：1393-1417.

[47]Akamine S,Kawahara D,Kato Y,et al.WISDOM：A web information credibility analysis system[C]//Proceedings of the ACL-IJCNLP 2009 Software Demonstrations.Association for Computational Linguistics,2009：1-4.

[48]Zhang Y,Szabo C,Sheng Q Z,et al.Classifying perspectives on twitter：immediate observation,affection,and speculation[C]//Proceedings of the 16th International Conference on Web Information Systems Engineering,Part I,493-507.

[49]Rieh S Y.Credibility and cognitive authority of information[N].Bates M Maack M N.Encyclopedia of library and information sciences：3rd ed.New York：Taylor and Francis Group,LLC,2010：1137-1344.

[50]馮曉碩.[C].全國計(jì)算機(jī)信息管理學(xué)術(shù)研討會(huì),2013.

[51]Zhao Z,Resnick P,Mei Q.Enquiring minds：Early detection of rumors in social media from enquiry posts[C]//Proceedings of the 24th International Conference on World Wide Web.ACM,2015：1395-1405.

吳連偉(1992—)，博士研究生，主要研究領(lǐng)域?yàn)樽匀徽Z言處理、信息可信度識(shí)別與分析。E-mail：wlianwei@qq.com

饒?jiān)?1973—)，博士生導(dǎo)師，主要研究領(lǐng)域?yàn)樯鐣?huì)智能與復(fù)雜數(shù)據(jù)處理。E-mail：yuanrao@163.com

樊笑冰(1993—)，碩士研究生，主要研究領(lǐng)域?yàn)樽匀徽Z言處理、可信信息傳播動(dòng)力學(xué)機(jī)制研究。E-mail：fanxiaobing212@outlook.com