propagation graph

با گسترش شبکه های اجتماعی و افزایش تعداد کاربران آن ها. چالش های جدیدی در این فضا ایجاد شده است. یکی از مهم ترین چالش ها انتشار شایعات و اطلاعات نادرست است که گسترش آن ها می تواند تاثیرات مخرب زیادی را بر جوامع انسانی بگذارد و گاهی عواقب جبران ناپذیری را نیز به بار آورد. به همین دلیل امروزه پژوهش های فراوانی به تشخیص شایعات در این شبکه ها می پردازند. در اکثر پژوهش هایی که از روش بررسی گراف انتشار برای تشخیص شایعات استفاده کرده اند، نیاز به درگیرشدن با پیچیدگی های پردازش زبان یا تحلیل ویژگی های کاربر است و به دلیل پیچیدگی تحلیل گراف های انتشار شایعات تا کنون از این روش به تنهایی برای تشخیص شایعه استفاده نشده و نیاز به استفاده از سایر ویژگی ها یا تحلیل متن بوده است. از این رو هدف از این مقاله این است که روش جدیدی ارایه شود که بدون نیاز به اطلاعات کاربر و تحلیل محتوای منتشر شده، و تنها باتوجه به زیرگراف انتشار پست، قادر به تشخیص شایعات باشد؛ بنابراین فراوانی درجه ی ریوس گراف های انتشار در مدل های شایعه و غیر شایعه مورد بررسی قرار گرفت و یک بردار 8 تایی با توجه به این ویژگی زیرگراف های انتشار استخراج شد. سپس از دسته بندی کننده های مختلف به منظور تشخیص تمایز بین این دو حالت با توجه به بردار 8 تایی استفاده شد. پس از ارزیابی، مشخص شد که دسته بندی کننده ی جنگل تصادفی بر روی مجموعه داده ی PHEME نتیجه ی بهتر و دقتی حدود 84/0 دارد. ازآنجایی که این روش نهایتا در 4 گام پس از انتشار قادر به تشخیص است، از لحاظ زمانی نیز کارایی مناسبی دارد.