$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

초기 소량 데이터와 RNN을 활용한 루머 전파 추적 기법
Initial Small Data Reveal Rumor Traits via Recurrent Neural Networks

정보과학회논문지 = Journal of KIISE, v.44 no.7, 2017년, pp.680 - 685  

권세정 (KAIST 문화기술대학원) ,  차미영 (KAIST 문화기술대학원)

초록
AI-Helper 아이콘AI-Helper

온라인 소셜미디어의 등장으로 방대한 사용자 데이터가 수집되고 이는 루머의 탐지와 같은 복잡하고 도전적인 사회 문제를 자료 기반 기법으로 해결할 수 있게끔 한다. 최근 딥러닝 기반 모델들이 이러한 문제를 해결하기 위한 빠르고 정확한 기법 중의 하나로서 소개되었다. 하지만 기존에 제시된 모델들은 전파 종료 후 작동하거나 오랜 관찰기간을 필요로 하여 활용성이 제한된다. 이 연구에서는 초기 소량 데이터만을 활용하는 recurrent neural networks (RNNs) 기반의 빠른 루머 분류 알고리즘을 제안한다. 제시된 모델은 소셜미디어 스트림을 시계열 자료로 변환하여 사용하며, 이 때 시계열 데이터는 팔로워 수와 같이 정보 전파자 관련 정보는 물론 주어진 컨텐츠에서 추론한 언어심리학적 감성의 점수로 구성된다. 수백만의 트윗을 포함하는 498개의 실제 루머 및 494개의 비루머 사례 분석을 통해 이 연구는 제안하는 RNN 기반 모델이 초기 30개의 트윗 만으로도 (초기 수시간) 0.74 F1의 높은 성능을 보임을 확인한다. 이러한 결과는 실제 응용가능한 수준의 빠르고 효율적인 루머 분류 알고리즘 개발의 초석이 된다.

Abstract ▼ AI-Helper 아이콘AI-Helper

The emergence of online media and their data has enabled data-driven methods to solve challenging and complex tasks such as rumor classification problems. Recently, deep learning based models have been shown as one of the fastest and the most accurate algorithms to solve such problems. These new mod...

주제어

#루머   #딥러닝   #시계열   #언어적 특징   #사용자 특징   #분류기  

참고문헌 (9)

  1. Allport, G.W. and Postman, L.J., The psychology of rumor, Russell & Russell, 1965. 

  2. Huberman, B. A., Romero, D.M., Wu, F., Social networks that matter, Twitter under the microscope, First Monday, 2008. 

  3. Ma, J., et al., Detecting Rumors from Microblogs with Recurrent Neural Networks, International Joint Conference on Artificial Intelligence, 2016. 

  4. O. Oh, M. Agrawal, and H. R. Rao, Community intelligence and social media services, A rumor theoretic analysis of tweets during social crises, Mis Quarterly, 37(2):407-426, 2013. 

    상세보기 crossref

  5. Pennebaker, J.W., Boyd, R.L., Jordan, K., & Blackburn, K. (2015). The development and psychometric properties of LIWC2015. Austin, TX: University of Texas at Austin. 

  6. V. Qazvinian, E. Rosengren, D. R. Radev, and Q. Mei, Rumor has it: Identifying misinformation in microblogs, Proc. of the Conference on Empirical Methods in Natural Language Processing, 2011. 

  7. C. Castillo, M. Mendoza, and B. Poblete, Information credibility on twitter, Proc. of the Int'l Conference on World Wide Web, 2011. 

  8. Pennebaker, J.W., et al., The development and psychometric properties of LIWC, UT Faculty/Researcher Works (2015). 

  9. Tieleman, T. and Hinton, G. Lecture 6.5-rmsprop, Divide the gradient by a running average of its recent magnitude, Coursera: Neural Networks for Machine Learning, 4, 2012. 

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로