$\require{mediawiki-texvc}$

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.

그래프 임베딩을 활용한 코로나19 가짜뉴스 탐지 연구 - 사회적 참여 네트워크의 이용 여부에 따른 탐지 성능 비교
A study on the detection of fake news - The Comparison of detection performance according to the use of social engagement networks 원문보기

지능정보연구 = Journal of intelligence and information systems, v.28 no.1, 2022년, pp.197 - 216  

정이태 (국민대학교 비즈니스IT전문대학원) ,  안현철 (국민대학교 비즈니스IT전문대학원)

초록
AI-Helper 아이콘AI-Helper

인터넷 및 모바일 기술의 발달과 소셜미디어의 확산으로 인해 다량의 정보들이 온라인 상에서 생성, 유통되고 있다. 이중에는 대중에게 도움이 되는 유익한 정보들도 있지만, 역기능을 하는 이른바 가짜뉴스들도 함께 유통되고 있다. 지난 2020년 코로나19의 전세계적인 확산 이후, 온라인 상에는 이와 관련한 수많은 가짜뉴스들이 유통되었다. 다른 가짜뉴스들과 달리 코로나19와 관련된 가짜뉴스는 사람들의 건강, 나아가 생명까지 위협할 수 있다는 점에서 그 심각성이 매우 크다고 할 수 있다. 때문에 코로나19와 관련한 가짜뉴스를 자동으로 탐지하고, 이를 예방하는 지능형 기술은 사회적 건강도를 제고하는데 매우 의미 있는 연구주제라 할 수 있다. 이러한 배경에서 본 연구에서는 코로나19 관련 가짜뉴스 탐지를 효과적으로 수행하기 위해 그래프 임베딩 방법 중 하나인 Graph2vec을 활용한 방법을 제안한다. 가짜뉴스 탐지에 대한 주류 방법은 뉴스 콘텐츠 기반 즉, 텍스트에 대한 특징 분석으로 진행되었으나 본 연구에서는 사회적 참여 네트워크 내에서의 정보 전달 관계를 추가로 활용함으로써 보다 효과적으로 코로나19와 관련된 가짜뉴스를 탐지할 수 있었으며 성능 측면에서 정확도 향상을 확인할 수 있었다.

Abstract ▼ AI-Helper 아이콘AI-Helper

With the development of Internet and mobile technology and the spread of social media, a large amount of information is being generated and distributed online. Some of them are useful information for the public, but others are misleading information. The misleading information, so-called 'fake news'...

주제어

#가짜뉴스 탐지   #그래프 임베딩   #사회적 참여 네트워크   #코로나19  

표/그림 (9)

참고문헌 (57)

  1. 고정민. (2021). "코로나보다 백신이 더 위험하다?"...끝나지 않는 '가짜뉴스'전쟁, 청년의사. Retrieved February 21, 2022, from https://www.docdocdoc.co.kr/news/articleView.html?idxno2013957 

  2. 권오성. (2021). 좋아요의 함정...가짜뉴스 권하는 SNS, 한겨레. Retrieved February 21, 2022, from https://www.hani.co.kr/arti/science/science_general/785227.html 

  3. 김선호, 김위근. (2019). 유튜브의 대약진 , 한국언론진흥재단. Retrieved February 21, 2022, from https://www.kpf.or.kr/front/board/boardContentsView.do?board_id246&contents_id000344023CF07421F30ED65B47114EE4 

  4. 김종광, (2020). 경찰, 신종 코로나 바이러스 가짜 뉴스 엄정 대응, 제주일보. Retrieved February 21, 2022, from https://www.jejunews.com/news/articleView.html?idxno2156143 

  5. 박성수, 이건창. (2019). 효과적인 가짜 뉴스 탐지를 위한 텍스트 분석과 네트워크 임베딩 방법의 비교 연구. 디지털융복합연구, 17(5), 137-143. 

    원문보기 상세보기

  6. 심재승, 원하람, 안현철. (2019). A Study on the Effect of the Document Summarization Technique on the Fake News Detection Model, 지능정보연구, 25(3), 201-220. 

    원문보기 상세보기

  7. 염정윤, 정세훈. (2019). 가짜뉴스 노출과 전파에 영향을 미치는 요인. 한국언론학보, 63(1), 7-45. 

  8. 윤영석, 엄태원, 안재영, 이현우, 허재두. (2017). 페이크 뉴스 탐지 기술 동향과 시사점. ICT 신기술 주간기술동향, 정보통신기술진흥센터, 13. 

  9. 윤태욱, 안현철. (2018). 텍스트 마이닝과 기계 학습을 이용한 국내 가짜뉴스 예측. Journal of Information Technology Applications & Management, 25(1), 19-32. 

    원문보기 상세보기

  10. 이도경, 김민태, 김우주. (2019). 의존 구문 분석을 이용한 질의 기반 정답 추출. 지능정보연구, 25(3), 161-177. 

    원문보기 상세보기

  11. 이영호. (2021). 한국 SNS 이용률 세계 2위...10~30대 인스타그램, 40~50대 밴드, 한국경제TV. Retrieved February 21, 2022, from https://www.wowtv.co.kr/NewsCenter/News/Read?articleIdA202106160022 

  12. 이완수. (2018). 가짜뉴스 (fake news) 란 무엇인가? 미디어와 인격권, 4(2), 173-214. 

  13. 이윤주, 원하람, 심재승, 안현철. (2020) A Hybrid Collaborative Filtering-based Product Recommender System using Search Keywords, 지능정보연구, 26(1), 151-166. 

    원문보기 상세보기

  14. 조승한. (2020). 코로나19 가짜뉴스로 1~3월 사이 800명 숨졌다, 동아사이언스. Retrieved February 21, 2022, from http://dongascience.donga.com/news.php?idx39006 

  15. 차미영. (2020a). 코로나바이러스와 인포데믹, 기초과학연구원(IBS). Retrieved February 21, 2022, from https://www.ibs.re.kr/cop/bbs/BBSMSTR_000000000971/selectBoardArticle.do?nttId18234&pageIndex2 

  16. 차미영. (2020b). 코로나19 가짜뉴스에 맞선 데이터 과학, 기초과학연구원(IBS). Retrieved February 21, 2022, from https://www.ibs.re.kr/cop/bbs/BBSMSTR_000000000971/selectBoardArticle.do?nttId18985&pageIndex1&searchCnd&searchWrd 

  17. 현윤진, 김남규. (2018). 뉴스와 소셜 데이터를 활용한 텍스트 기반 가짜 뉴스 탐지 방법론. 한국전자거래학회지, 23(4), 19-39. 

    원문보기 상세보기

  18. 황송민. (2020). '신종 코로나' 가짜뉴스 확산..."믿지 마세요", 농민신문. Retrieved February 21, 2022, from https://www.nongmin.com/news/NEWS/FLD/CNT/319737/view?site_preferencenormal 

  19. 황용석, 권오성. (2017). 가짜뉴스의 개념화와 규제수단에 관한 연구: 인터넷서비스사업자의 자율규제를 중심으로. 언론과법, 16(1), 53-101. 

  20. Bahdanau, D., Cho, K., & Bengio, Y. (2014). Neural machine translation by jointly learning to align and translate. arXiv preprint arXiv:1409.0473. 

  21. Bondielli, A., & Marcelloni, F. (2019). A survey on fake news and rumour detection techniques. Information Sciences, 497, 38-55. 

    상세보기

  22. Bottou, L. (2012). Stochastic gradient descent tricks. In Neural networks: Tricks of the trade (pp. 421-436). Springer, Berlin, Heidelberg. 

  23. Chen, T., & Guestrin, C. (2016). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785-794). 

  24. Crammer, K., Dekel, O., Keshet, J., Shalev-Shwartz, S., & Singer, Y. (2006). Online passive aggressive algorithms. Journal of Machine Learning Research, 7, 551-585. 

    상세보기

  25. Cui, L., & Lee, D. (2020). Coaid: Covid-19 healthcare misinformation dataset. arXiv preprint arXiv:2006.00885. 

  26. Dai, E., Sun, Y., & Wang, S. (2020). Ginger cannot cure cancer: Battling fake health news with a comprehensive data repository. In Proceedings of the International AAAI Conference on Web and Social Media (Vol. 14, pp. 853-862). 

  27. Goldberger, J., Hinton, G. E., Roweis, S., & Salakhutdinov, R. R. (2004). Neighbourhood components analysis. Advances in Neural Information Processing Systems, 17. 

    상세보기

  28. Grover, A., & Leskovec, J. (2016). Node2vec: Scalable feature learning for networks. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 855-864). 

  29. Hinton, G. E. (1990). Connectionist learning procedures. In Machine learning (pp. 555-610). Morgan Kaufmann. https://doi.org/10.1016/B978-0-08-051055-2.50029-8 

  30. Hamilton, W., Ying, Z., & Leskovec, J. (2017). Inductive representation learning on large graphs. Advances in Neural Information Processing Systems, 30. 

  31. Hinton, G., Vinyals, O., & Dean, J. (2015). Distilling the knowledge in a neural network. arXiv preprint arXiv:1503.02531, 2(7). 

  32. Han, Y., Karunasekera, S., & Leckie, C. (2020). Graph neural networks with continual learning for fake news detection from social media. arXiv preprint arXiv:2007.03316. 

  33. Joachims, T. (1998). Making large-scale SVM learning practical (No. 1998, 28). Technical report. 

  34. Kipf, T. N., & Welling, M. (2016). Semi-supervised classification with graph convolutional networks. arXiv preprint arXiv:1609.02907. 

  35. Le, Q., & Mikolov, T. (2014). 6Distributed representations of sentences and documents. In International conference on machine learning (pp. 1188-1196). PMLR. 

  36. Liu, Y., Ott, M., Goyal, N., Du, J., Joshi, M., Chen, D., ...& Stoyanov, V. (2019). Roberta: A robustly optimized bert pretraining approach. arXiv preprint arXiv:1907.11692. 

  37. Mahid, Z. I., Manickam, S., & Karuppayah, S. (2018, October). Fake news on social media: brief review on detection techniques. In 2018 Fourth International Conference on Advances in Computing, Communication & Automation (ICACCA) (pp. 1-5). IEEE. 

  38. Narayanan, A., Chandramohan, M., Venkatesan, R., Chen, L., Liu, Y., & Jaiswal, S. (2017). Graph2vec: Learning distributed representations of graphs. arXiv preprint arXiv:1707.05005. 

  39. Pal, M. (2005). Random forest classifier for remote sensing classification. International Journal of Remote Sensing, 26(1), 217-222. 

    상세보기

  40. Pennycook, G., Epstein, Z., Mosleh, M., Arechar, A. A., Eckles, D., & Rand, D. G. (2021). Shifting attention to accuracy can reduce misinformation online. Nature, 592(7855), 590-595. 

  41. Perozzi, B., Al-Rfou, R., & Skiena, S. (2014, August). Deepwalk: Online learning of social representations. In Proceedings of the 20th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 701-710). 

  42. Pierri, F., & Ceri, S. (2019). False news on social media: a data-driven survey. ACM Sigmod Record, 48(2), 18-27. 

  43. Quinlan, J. R. (1986). Induction of decision trees. Machine learning, 1(1), 81-106. 

    상세보기

  44. Ratsch, G., Onoda, T., & Muller, K. R. (2001). Soft margins for AdaBoost. Machine learning, 42(3), 287-320. 

  45. Ren, Y., & Zhang, J. (2020). HGAT: hierarchical graph attention network for fake news detection. arXiv, preprint arXiv:2002.04397. 

  46. Ren, Y., Wang, B., Zhang, J., & Chang, Y. (2020). Adversarial active learning based heterogeneous graph neural network for fake news detection. In 2020 IEEE International Conference on Data Mining (ICDM) (pp. 452-461). IEEE. 

  47. Rosenblatt, F. (1958). The perceptron: a probabilistic model for information storage and organization in the brain. Psychological Review, 65(6), 386. 

    상세보기

  48. Shejkh, K. (2021). How Bad will the Coronavirus Outbreak Get? Here Are 6 Key Factors. Retrieved February 21, 2022, from https://www.nytimes.com/interactive/2020/world/asia/china-coronavirus-contain.html?actionclick&moduleRelatedLinks&pgtypeArticle (Accessed 2021.10.13) 

  49. Shim, J. S., Lee, Y., & Ahn, H. (2021). A link2vec-based fake news detection model using web search results. Expert Systems with Applications, 184, 115491. 

    상세보기

  50. Shu, K., Mahudeswaran, D., Wang, S., Lee, D., & Liu, H. (2018). Fakenewsnet: A data repository with news content, social context and spatialtemporal information for studying fake news on social media. arXiv preprint arXiv:1809.01286. 

  51. Shu, K., Sliva, A., Wang, S., Tang, J., & Liu, H. (2017). Fake news detection on social media: A data mining perspective. ACM SIGKDD Explorations Newsletter, 19(1), 22-36. 

  52. Shu, K., Wang, S., & Liu, H. (2019). Beyond news contents: The role of social context for fake news detection. In Proceedings of the twelfth ACM international conference on web search and data mining (pp. 312-320). 

  53. Tang, J., Qu, M., Wang, M., Zhang, M., Yan, J., & Mei, Q. (2015). Line: Large-scale information network embedding. In Proceedings of the 24th International Conference on World Wide Web (pp. 1067-1077). 

  54. Velickovic, P., Cucurull, G., Casanova, A., Romero, A., Lio, P., & Bengio, Y. (2017). Graph attention networks. arXiv preprint arXiv: 1710.10903. 

  55. Vosoughi, S., Roy, D., & Aral, S. (2018). The spread of true and false news online. Science, 359(6380), 1146-1151. 

    상세보기

  56. Wang, W. Y. (2017). " liar, liar pants on fire": A new benchmark dataset for fake news detection. arXiv preprint arXiv:1705.00648. 

  57. Wang, Y., Ma, F., Jin, Z., Yuan, Y., Xun, G., Jha, K., ... & Gao, J. (2018). EANN: Event adversarial neural networks for multi-modal fake news detection. In Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 849-857). 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

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