[논문]효과적인 가짜 뉴스 탐지를 위한 텍스트 분석과 네트워크 임베딩 방법의 비교 연구

박성수; 이건창

doi:10.14400/jdc.2019.17.5.137

효과적인 가짜 뉴스 탐지를 위한 텍스트 분석과 네트워크 임베딩 방법의 비교 연구
A Comparative Study of Text analysis and Network embedding Methods for Effective Fake News Detection 원문보기

디지털융복합연구 = Journal of digital convergence, v.17 no.5, 2019년, pp.137 - 143

박성수 (성균관대학교 경영대학) , 이건창 (성균관대학교 글로벌경영학과)

초록
AI-Helper

가짜 뉴스는 소셜 미디어와 같이 사용자가 상호작용하는 미디어 플랫폼에서 정보가 빠른 속도로 확산되는 이점을 가지는 오류 정보(misinformation)의 한 형태이다. 최근 가짜 뉴스의 증가로 인해 사회적으로 많은 문제가 발생하고 있다. 본 논문에서는 이러한 가짜 뉴스를 탐지하는 방법을 제안한다. 이전의 가짜 뉴스 탐지는 텍스트 분석을 사용한 연구가 주로 수행되었다. 본 연구는 소셜 미디어의 뉴스가 확산되는 네트워크에 초점을 두고, 네트워크 임베딩 방법인 DeepWalk 로 자질을 생성하고 로지스틱 회귀분석을 사용하여 가짜 뉴스를 분류한다. 인터넷에 공개된 뉴스 211개와 120만개의 뉴스 확산 네트워크 데이터를 사용한 가짜 뉴스 탐지에 대한 실험을 수행하였다. 연구 결과 텍스트 분석에 비하여 네트워크 임베딩을 사용한 가짜 뉴스 탐지의 정확도가 최소 1.7%에서 최대 10.6% 더 높게 나타났다. 또한, 텍스트 분석과 네트워크 임베딩을 결합한 가짜 뉴스 탐지는 네트워크 임베딩에 비해 정확도의 상승이 나타나지 않았다. 본 연구의 결과는 기업이나 조직은 온라인 상에서 확산되는 가짜 뉴스 탐지에 효과적으로 활용될 수 있다.

Abstract ▼ AI-Helper

Fake news is a form of misinformation that has the advantage of rapid spreading of information on media platforms that users interact with, such as social media. There has been a lot of social problems due to the recent increase in fake news. In this paper, we propose a method to detect such false news. Previous research on fake news detection mainly focused on text analysis. This research focuses on a network where social media news spreads, generates qualities with DeepWalk, a network embedding method, and classifies fake news using logistic regression analysis. We conducted an experiment on fake news detection using 211 news on the Internet and 1.2 million news diffusion network data. The results show that the accuracy of false network detection using network embedding is 10.6% higher than that of text analysis. In addition, fake news detection, which combines text analysis and network embedding, does not show an increase in accuracy over network embedding. The results of this study can be effectively applied to the detection of fake news that organizations spread online.

주제어

표/그림 (5)

그림 Fig. 1. DeepWalk Overview
표 Table 1. Statistics for fake news detection data set
그림 Fig. 2. Fake news detection procedures that combine text and network embedding methods
표 Table 2. Fake news detection experiment results using text analysis and graph embedding
표 Table 3. Fake News Detection Analysis Results Combining Text Analysis and Graph Embedding

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

가짜 뉴스가 비사실적 주장을 뒷받침하기 위해 다른 맥락의 진짜 증거를 인용하는 경우, 텍스트 분석만으로 가짜 뉴스 탐지는 충분한 성과를 내기 어렵다. 따라서, 본 연구는 가짜 뉴스의 탐지에 초점을 두고, 최근 활발한 연구가 이루어지는 네트워크 임베딩 방법을 적용한 가짜뉴스 탐지 방법에 대한 다음과 같은 연구 문제(Research Question)를 다룬다.
네트워크 임베딩 연구는 컴퓨터 과학 분야에서 활발하게 많은 연구가 이루어지고 있으나 연구용 데이터를 벗어나 실제 데이터의 활용과 적용에 대한 연구는 극히 적은 실정이다. 본 연구는 네트워크 임베딩을 실제 데이터에 적용하고 효율적인 가짜 뉴스 탐지가 가능함을 실증 결과로 제시하였다. 둘째, 텍스트 분석 위주의 연구가 이루어지는 가짜 뉴스 탐지 분야에 대해 네트워크 분석을 통한 새로운 방향을 제시하였다.
최근까지 가짜 뉴스를 탐지하는 다양한 방법이 연구되었지만 더욱 정교하고 다양하게 변화하는 환경에 적응 가능한 가짜 뉴스 탐지 방법에 대한 연구가 필요하다. 본 연구는 네트워크를 벡터 공간에 표현하는 네트워크 임베딩을 사용한 가짜 뉴스 탐지 방법으로 효율적인 가짜 뉴스 탐지 방법을 실증한다.
본 연구는 효율적인 소셜 네트워크와 같은 온라인에서 급속도로 증가하는 가짜 뉴스에 대한 탐지 방법을 제시하는 목적한다. 이를 위해 최근 활발한 연구가 수행되는 네트워크 임베딩을 가짜 뉴스 탐지에 적용하였다.
본 연구의 목적인 텍스트와 네트워크 임베딩 방법을 결합한 가짜 뉴스 탐지를 위해 소셜 네트워크 상에 전파되는 사실이 입증되지 않는 가짜 뉴스 및 루머를 수집한다. 소셜 네트워크인 트위터에서 가짜 뉴스와 관련된 키워드를 언급하는 트윗과 트위터리안의 리트윗 관계를 추출한다.

가설 설정

가짜 뉴스의 광범위한 확산은 개인과 사회에 심각한 부정적인 영향을 미친다. 첫째, 가짜 뉴스는 뉴스 생태계의 균형을 깨뜨리게 된다. 예를 들어, 가장 인기 있는 가짜 뉴스가 2016년 미국 대통령 선거에서 가장 인기 있는 정통 주류 뉴스보다 페이스 북에서 훨씬 더 널리 퍼져 나갔다.

제안 방법

RQ1: 가짜 뉴스가 온라인에서 확산된 네트워크를 결합한 자질을 사용하여 보다 효과적인 가짜 뉴스 탐지 방법을 제시한다.
본 연구는 네트워크 임베딩을 실제 데이터에 적용하고 효율적인 가짜 뉴스 탐지가 가능함을 실증 결과로 제시하였다. 둘째, 텍스트 분석 위주의 연구가 이루어지는 가짜 뉴스 탐지 분야에 대해 네트워크 분석을 통한 새로운 방향을 제시하였다. 이전의 가짜 뉴스, 루머, 오정보와 관련된 네트워크 분석 연구들은 가짜 뉴스 탐지나 분류에 대한 연구보다는 뉴스의 확산이나 가짜 뉴스 커뮤니티 식별에 대한 연구가 활발하게 수행되었다.
네트워크 데이터는 네트워크 분석이 가능한 인접 리스트(adjacent list) 형태로 변환해 한다. 또한, 텍스트 분석을 통한 가짜 뉴스 탐지 실험을 위하여 트윗에 언급된 뉴스에 대한 뉴스 본문을 추출한다.
이전의 가짜 뉴스, 루머, 오정보와 관련된 네트워크 분석 연구들은 가짜 뉴스 탐지나 분류에 대한 연구보다는 뉴스의 확산이나 가짜 뉴스 커뮤니티 식별에 대한 연구가 활발하게 수행되었다. 본 연구는 이전의 연구에 비해 가짜 뉴스 탐지의 관점에서 네트워크 분석을 적용하였다. 셋째, 가짜 뉴스 탐지에 텍스트 분석과 네트워크 임베딩을 결합하는 것은 바람직하지 않음을 실증했다.
각 노드 당 랜덤 워크 횟수는 10회, 워크의 길이는 80회, 생성할 벡터 차원의 수는 128차원으로 설정한다. 분석도구는 인터넷에 공개된 네트워크 임베딩 프로그램을 사용하여 연구 목적에 맞게 수정하여 사용한다. 또한, 제안한 방법과 비교를 위해 뉴스 본문의 텍스트에 대한 자질을 생성한다.
본 연구의 목적인 텍스트와 네트워크 임베딩 방법을 결합한 가짜 뉴스 탐지를 위해 소셜 네트워크 상에 전파되는 사실이 입증되지 않는 가짜 뉴스 및 루머를 수집한다. 소셜 네트워크인 트위터에서 가짜 뉴스와 관련된 키워드를 언급하는 트윗과 트위터리안의 리트윗 관계를 추출한다. 가짜 뉴스와 비교하기 위해 관련된 주제의 뉴스를 전송하는 트윗과 트위터리안의 데이터도 같이 수집한다.
본 연구는 효율적인 소셜 네트워크와 같은 온라인에서 급속도로 증가하는 가짜 뉴스에 대한 탐지 방법을 제시하는 목적한다. 이를 위해 최근 활발한 연구가 수행되는 네트워크 임베딩을 가짜 뉴스 탐지에 적용하였다. 연구 결과 네트워크의 노드간의 연결 관계와 구조를 벡터 공간에 표현하는 네트워크 임베딩 기반의 가짜 뉴스 탐지가 더 효과적인 것으로 나타났다.
가짜 뉴스와 비교하기 위해 관련된 주제의 뉴스를 전송하는 트윗과 트위터리안의 데이터도 같이 수집한다. 이후 언론사들이 협업해 주요 뉴스의 사실 관계를 확인해 게시하는 팩트 체크 서비스에서 가짜 뉴스를 식별하고 뉴스에 대한 참-거짓을 라벨링 한다. 이러한 방법으로 수집된 가짜 뉴스 네트워크(Fake News Net) 데이터 셋을 사용하여 연구의 실험으로 사용하였다[17].
본 연구의 한계는 다음과 같다. 첫째, 제한적인 데이터에만 가짜 뉴스 탐지 방법을 적용하였다. 추후 연구로는 보다 더 많은 데이터에 대한 가짜 뉴스 탐지 방법에 대한 연구가 수행되어야 할 것이다.
추가적인 연구로 텍스트 분석과 네트워크 임베딩을 결합한 자질을 생성해서 가짜 뉴스 탐지 예측 모형을 생성하고 성과를 측정하였다. 텍스트 자질과 네트워크 임베딩 자질은 뉴스 아이디를 기준으로 두 자질 데이터 셋을 통합하였다.

대상 데이터

소셜 네트워크인 트위터에서 가짜 뉴스와 관련된 키워드를 언급하는 트윗과 트위터리안의 리트윗 관계를 추출한다. 가짜 뉴스와 비교하기 위해 관련된 주제의 뉴스를 전송하는 트윗과 트위터리안의 데이터도 같이 수집한다. 이후 언론사들이 협업해 주요 뉴스의 사실 관계를 확인해 게시하는 팩트 체크 서비스에서 가짜 뉴스를 식별하고 뉴스에 대한 참-거짓을 라벨링 한다.
이후 언론사들이 협업해 주요 뉴스의 사실 관계를 확인해 게시하는 팩트 체크 서비스에서 가짜 뉴스를 식별하고 뉴스에 대한 참-거짓을 라벨링 한다. 이러한 방법으로 수집된 가짜 뉴스 네트워크(Fake News Net) 데이터 셋을 사용하여 연구의 실험으로 사용하였다[17].
또한, 제안한 방법과 비교를 위해 뉴스 본문의 텍스트에 대한 자질을 생성한다. 텍스트 리뷰는 파이썬을 사용하여 자주 출현하는 다빈도 단어 상위 500개를 선별한다. 이를 각 뉴스 당 출현 빈도를 원-핫 인코딩(One-hot Encoding)해서 텍스트 자질을 생성한다.

이론/모형

DeepWalk는 짧은 무작위 경로에 나타나는 노드의 분포가 자연 언어로 된 단어의 분포와 유사하다는 것에 착안하여 널리 사용되는 단어 표현 학습 모델인 Skip-Gram 모델[14]을 채택하여 네트워크 표현을 학습한다. DeepWalk는 일련의 걷기 순서(walk sequence)를 생성함에 있어 걷기 순서가 무한대로 증가하는 것을 방지하기 위해 네트워크에서 제한된 랜덤 워크 (truncated random walk) 방법을 적용한다. Skip-Gram에 따라 각 걷기 순서 s = {v1, v2, .
네트워크 임베딩의 핵심적인 문제는 네트워크에서 노드간의 ‘이웃’을 정의하는 방법이다. Word2Vec에서 단어들이 연속적으로 출현하는 것과 유사하게, 랜덤 워크 모델로 네트워크의 무작위 경로 (random path)를 생성하는 방법을 사용했다. 이 방법은 노드를 단어로 간주하고 무작위 경로로 생성된 노드의 순서는 문장으로 보는 것이다.
- 4단계: 각 자질 생성 방법에 따른 가짜 뉴스 탐지 성능을 비교한다. 각 자질 데이터 셋 별 예측 모형의 평가는 정밀도(Precision), 재현율(Recall)과 이 두 가지 지표를 조화평균하는 F1(F-measure), 정확도(Accuracy)를 사용한다. 예측 모형 평가 척도에 대한 계산식은 아래와 같다.
- 2단계: 네트워크 임베딩으로 네트워크 자질을 추출한다. 네트워크 임베딩 방법은 Perozzi가 제안한 DeepWalk를 사용한다. 각 노드 당 랜덤 워크 횟수는 10회, 워크의 길이는 80회, 생성할 벡터 차원의 수는 128차원으로 설정한다.
추후 연구로는 보다 더 많은 데이터에 대한 가짜 뉴스 탐지 방법에 대한 연구가 수행되어야 할 것이다. 둘째, 본 연구는 다양한 네트워크 임베딩 방법 중 대표적으로 많이 사용되는 DeepWalk를 적용하였다. 나날이 변화하고 진화하는 가짜 뉴스를 파악하기 위한 다양한 네트워크 임베딩 방법의 응용에 대한 연구가 필요하다.
목표 변수는 각 뉴스에 대한 사실 여부이고, 입력된 자질 셋은 네트워크 자질은 가짜 뉴스를 언급한 트위터리안과 연결된 소셜 네트워크를 네트워크 임베딩으로 벡터 표현한 자질이고, 텍스트 자질은 뉴스 본문에 대한 키워드 출현 빈도를 벡터 표현한 자질이다. 본 연구에서 사용된 예측 방법은 범주형 로지스틱 리그레션으로 모형의 적합성을 확보하기 위해 5 Fold 교차 검증법을 사용한다.

성능/효과

각 분석 방법에 따른 정확도 차이는 PolitiFact 데이터 셋은 텍스트 분석 대비 네트워크 임베딩의 정확도가 0.106 더 높게 나타났고, BuzzFeed 데이터 셋은 0.017 상승한 것으로 나타났다.
연구 결과 네트워크의 노드간의 연결 관계와 구조를 벡터 공간에 표현하는 네트워크 임베딩 기반의 가짜 뉴스 탐지가 더 효과적인 것으로 나타났다. 두 가지 가짜 뉴스 데이터 셋에 대한 가짜 뉴스 탐지 분석 실험으로, 네트워크 임베딩을 사용한 가짜 뉴스 탐지 방법이 텍스트 분석 기반의 가짜 뉴스 탐지에 비해 최소 1.7%에서 최대 10.6%의 정확도 상승이 나타났다. 이것은 소셜 네트워크 상에서 가짜 뉴스가 일정한 네트워크 경로에 따라 확산되고 있는 것을 의미한다.
본 연구의 결과를 사용하여 가짜 뉴스의 최초 유포자나 가짜 뉴스를 공유하는 그룹의 사용자를 밝힐 수 있다. 둘째, 기업들은 자사의 상품과 서비스에 대한 평판을 좋게 유지하기 위해 많은 비용을 지불하고 있다. 하지만 악의적이고 공격적인 가짜 뉴스로 인하여 기업의 이미지가 훼손되고 자산 가치에 손상을 입는 경우가 발생한다.
750으로 나타났다. 본 연구에서 제시한 방법인 네트워크 임베딩을 사용한 가짜 뉴스 탐지 정확도는 PolitiFact 데이터 셋에서 정밀도, 재현율, F1, 정확도가 0.943이고, BuzzFeed 데이터 셋의 경우 0.767이다
가짜 뉴스 탐지 분석 실험 결과는 Table 2와 같다. 본 연구의 벤치마크인 텍스트 분석을 통한 가짜 뉴스 탐지 결과는 PolitiFact 데이터 셋의 탐지 정확도는 정밀도, 재현율, F1, 정확도가 0.838이고, 또 다른 가짜 뉴스 데이터 셋인 BuzzFeed 데이터 셋은 0.750으로 나타났다. 본 연구에서 제시한 방법인 네트워크 임베딩을 사용한 가짜 뉴스 탐지 정확도는 PolitiFact 데이터 셋에서 정밀도, 재현율, F1, 정확도가 0.
사용되는 데이터와 절차가 다른 두 가지 가짜 뉴스 탐지 방법 -텍스트 분석, 네트워크 임베딩 –을 결합하는것은 각 방법 간에 특징들이 융합되지 않고, 오히려 가짜 뉴스 탐지 모형의 성능의 유지나 하락이 됨을 밝혔다.
본 연구는 이전의 연구에 비해 가짜 뉴스 탐지의 관점에서 네트워크 분석을 적용하였다. 셋째, 가짜 뉴스 탐지에 텍스트 분석과 네트워크 임베딩을 결합하는 것은 바람직하지 않음을 실증했다. 사용되는 데이터와 절차가 다른 두 가지 가짜 뉴스 탐지 방법 -텍스트 분석, 네트워크 임베딩 –을 결합하는것은 각 방법 간에 특징들이 융합되지 않고, 오히려 가짜 뉴스 탐지 모형의 성능의 유지나 하락이 됨을 밝혔다.
기업들은 본 연구에서 제시한 가짜 뉴스 탐지 모형을 사용하여 가짜 뉴스가 확산되기 시작하는 초기에 신속하고 효과적인 대응이 가능하다. 셋째, 네트워크 임베딩을 사용하여 대규모의 네트워크에 대한 가짜 뉴스 탐지가 가능하다. 네트워크 임베딩은 고차원의 네트워크 데이터를 저차원의 벡터 공간에 표현하는 방법으로 임베딩된 네트워크는 상대적으로 낮은 자원과 시간으로 분석이 가능하다.
이를 위해 최근 활발한 연구가 수행되는 네트워크 임베딩을 가짜 뉴스 탐지에 적용하였다. 연구 결과 네트워크의 노드간의 연결 관계와 구조를 벡터 공간에 표현하는 네트워크 임베딩 기반의 가짜 뉴스 탐지가 더 효과적인 것으로 나타났다. 두 가지 가짜 뉴스 데이터 셋에 대한 가짜 뉴스 탐지 분석 실험으로, 네트워크 임베딩을 사용한 가짜 뉴스 탐지 방법이 텍스트 분석 기반의 가짜 뉴스 탐지에 비해 최소 1.
가짜 뉴스는 가짜 뉴스 제목에 명사와 동사가 많을수록 정지 단어(Stop words)와 명사가 적은 패턴을 나타내는 경향이 있다[7]. 연구자들은 텍스트의 복잡성, 감정 단어 및 인과 단어, 작자의 문제 스타일, 텍스트 구문 등을 자질로 하는 SVM기반의 가짜 뉴스 예측 모형을 제시하여 가짜 뉴스 탐지 정확도는 71%를 달성하였다. 또한, 텍스트 분석 방법 중 하나인 N-gram과 머신러닝을 결합한 가짜 뉴스 탐지에 대한 연구가 수행되었고[8], 소셜 네트워크 상의 텍스트를 분석해 사기 그룹을 탐지하는 연구 등이 수행되었다[9].
Mikolov et al.이 제안한 Word2Vec은 희소성이 높고 이산형의 고차원 벡터를 고밀도의 연속형인 저차원 벡터로 변환하여 단어 표현의 효율성을 크게 향상시켰다[14]. 다시 말해, Word2Vec은 동시 발생 비율로 정의된 인접 단어를 학습해서 단어 벡터로 재구성하는 것이다.
텍스트 자질과 네트워크 임베딩 자질을 사용한 가짜 뉴스 탐지 분석 결과를 개별 자질 데이터 셋의 결과와 비교하면 PolitiFact 데이터 셋은 텍스트 자질에 비해 정확도가 0.058 상승하였으나 네트워크 임베딩 자질에 비해 0.048 낮은 정확도를 보였다. BuzzFeed 데이터 셋은 텍스트 자질에 비해 정확도의 변화는 없고, 네트워크 임베딩 자질에 비해 정확도가 0.

후속연구

추후 연구로는 보다 더 많은 데이터에 대한 가짜 뉴스 탐지 방법에 대한 연구가 수행되어야 할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본 연구에서 정의하는 가짜뉴스란?	본 연구는 가짜뉴스를 다음과 같이 정의한다. 가짜 뉴스는 “소셜 미 디어와 같이 사용자가 상호작용하는 미디어 플랫폼에서 정보가 빠른 속도로 확산되는 이점을 가지는 오류 정보 (misinformation)의 한 형태”이다.
	가짜 뉴스 탐지가 어려운 이유는?	이러한 가짜 뉴스를 빠르게 탐지하고 확산을 방지하는 것이 중요한 이슈이지만 현재까지 명확한 방법을 제시하는 연구는 찾아보기 어렵다. 가짜 뉴스 탐지가 어려운 것은 가짜 뉴스의 주제, 스타일 및 미디어 플랫폼 측면에서 다양한 방법으로 진실을 왜곡하면서 동시에 진짜 정보를 가리기 때문이다. 가짜 뉴스가 비사실적 주장을 뒷받침하기 위해 다른 맥락의 진짜 증거를 인용하는 경우, 텍스트 분석만으로 가짜 뉴스 탐지는 충분한 성과를 내기 어렵다.
	전통적인 네트워크 표현이 대규모 네트워크 처리 및 분석에서 도달한 한계점은 무엇인가?	전통적인 네트워크 표현은 오늘날 대규모 네트워크 처리 및 분석에서 한계에 도달하였다. 전통적인 표현에서 간선 세트를 사용하여 명시적인 관계를 표현하는 것이 가장 큰 한계점이다.

참고문헌 (17)

H. Allcott & M. Gentzkow. (2017). "Social media and fake news in the 2016 election". Journal of Economic Perspectives, 31(2), 211-236. DOI: 10.1257/jep.31.2.211

상세보기
N. J. Conroy, V. L. Rubin & Y. Chen. (2015). "Automatic deception detection: methods for finding fake news". Proceedings of the Association for Information Science and Technology, 52(1), 1-11.

상세보기
E. Mustafaraj & P. T. Metaxas. (2017). "The fake news spreading plague: Was it preventable?". Proceedings of the 2017 ACM on Web Science Conference, 235-239.
M. Potthast, J. Kiesel, K. Reinartz, J. Bevendorff & B. Stein. (2018). "A stylometric inquiry into hyperpartisan and fake news". Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics (ACL'18), 231-240
J. Tang, Y. Chang, & H. Liu. (2014). "Mining social media with social theories: A survey". ACM SIGKDD Explorations Newsletter. 15(2), 20-29.

상세보기
V. L. Rubin, Y. Chen & N. J. Conroy. (2015). "Deception detection for news: Three types of fakes". Proceedings of the Association for Information Science and Technology, 52(1), 1-11.

상세보기
B. D. Horne & S. Adali. (2017). "This just in: Fake news packs a lot in title, uses simpler, repetitive content in text body, more similar to satire than real news". Proceedings of AAAI, 1-9.
H. Ahmed, I. Traore & S. Saad. (2017). "Detection of online fake news using n-gram analysis and machine learning techniques". International Conference on Intelligent, Secure, and Dependable Systems in Distributed and Cloud Environments, 127-138.
Z. Jia, L. Zhao & N. Zhou.. (2017). "The research on fraud group mining which based on social network analysis". IEEE International Conference on Computer and Communications Analysis, 2387-2391.
Z. Jin, J. Cao, Y. Zhang & J. Luo. (2016). "News Verification by Exploiting Conflicting Social Viewpoints in Microblogs". Proceedings of AAAI, 2972-2978.
E. Tacchini, G. Ballarin, M. L. Della Vedova, S. Moret, & L. de Alfaro. (2017). "Some like it hoax: Automated fake news detection in social networks," CEUR Workshop Proceedings (1960), 1-12.
N. Ruchansky, S. Seo & Y. Liu. "CSI: A hybrid deep model for fake news detection". Proceedings of the 2017 ACM on Conference on Information and Knowledge Management (CIKM '17), 797-806.
S. Kwon, M. Cha, K. Jung, W. Chen & Y. Wang. (2013). "Prominent features of rumor propagation in online social media". IEEE 13th International Conference on Data Mining, 1103-1108.
T. Mikolov, K. Chen, G. Corrado & J. Dean. (2013). "Efficient Estimation of Word Representations in Vector Space". Proceedings of Workshop at ICLR, 1-12.
B. Perozzi, R. Al-Rfou & S. Skiena. (2014). "DeepWalk: Online learning of social representations". Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '14), 701-710.
A. Grover & J. Leskovec. (2016). "Node2Vec: Scalable feature learning for networks". Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16), 855-864.
K. Shu, S. Wang & H. Liu. (2019). "Exploiting tri-relationship for fake news detection". Proceedings of 12th ACM International Conference on Web Search and Data Mining (WSDM 2019), arXiv:1712.07709.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증