تشخيص شايعه در شبكه هاي اجتماعي مبتني بر تحليل الگوي فراواني درجه رئوس در زيرگراف هاي گام به گام انتشار

با گسترش شبكه‌هاي اجتماعي و افزايش تعداد كاربران آن‌ها. چالش‌هاي جديدي در اين فضا ايجاد شده است. يكي از مهم‌ترين چالش‌ها انتشار شايعات و اطلاعات نادرست است كه گسترش آن‌ها مي‌تواند تأثيرات مخرب زيادي را بر جوامع انساني بگذارد و گاهي عواقب جبران‌ناپذيري را نيز به بار آورد. به همين دليل امروزه پژوهش‌هاي فراواني به تشخيص شايعات در اين شبكه‌ها مي‌پردازند. در اكثر پژوهش‌هايي كه از روش بررسي گراف انتشار براي تشخيص شايعات استفاده كرده‌اند، نياز به درگيرشدن با پيچيدگي‌هاي پردازش زبان يا تحليل ويژگي‌هاي كاربر است و به دليل پيچيدگي تحليل گراف‌هاي انتشار شايعات تا كنون از اين روش به‌تنهايي براي تشخيص شايعه استفاده نشده و نياز به استفاده از ساير ويژگي‌ها يا تحليل متن بوده است. از اين رو هدف از اين مقاله اين است كه روش جديدي ارائه شود كه بدون نياز به اطلاعات كاربر و تحليل محتواي منتشر شده، و تنها باتوجه‌به زيرگراف انتشار پست، قادر به تشخيص شايعات باشد؛ بنابراين فراواني درجه‌ي رئوس گراف‌هاي انتشار در مدل‌هاي شايعه و غير شايعه مورد بررسي قرار گرفت و يك بردار ۸ تايي با توجه به اين ويژگي زيرگراف‌هاي انتشار استخراج شد. سپس از دسته‌بندي‌كننده‌هاي مختلف به‌منظور تشخيص تمايز بين اين دو حالت با توجه به بردار ۸ تايي استفاده شد. پس از ارزيابي، مشخص شد كه دسته‌بندي‌كننده‌ي جنگل تصادفي بر روي مجموعه‌داده‌ي PHEME نتيجه‌ي بهتر و دقتي حدود ۸۴/۰ دارد. ازآنجايي‌كه اين روش نهايتاً در ۴ گام پس از انتشار قادر به تشخيص است، از لحاظ زماني نيز كارايي مناسبي دارد.