‫توسعه رسانه‌های اجتماعی به مردم پلتفرم‌های باز و راحتی را برای بیان نظراتشان فراهم کرده‬

‫است‪ ،‬که منجر به گسترش شایعات می‌شود‪ .‬بنابراین‪ ،‬تشخیص شایعات از اطالعات عظیم بسیار ضروری‬
‫است‪ .‬روش‌های قبلی برای تشخیص شایعات بر روی استخراج ویژگی‌ها از محتوا و الگوهای انتشار‬
‫تمرکز کرده‌اند‪ ،‬اما ویژگی‌های پویای همراه با محتوا و الگوی انتشار را در نظر نگرفته‌اند‪ .‬در این مقاله‪،‬‬
‫یک روش مبتنی بر شبکه ‪ GCN‬ناهمگن برای تشخیص پویای شایعات (‪ )HDGCN‬ارائه شده است که به‬
‫طور اصلی از یک ماژول مشترک محتوا و انتشار و یک ماژول پویایی مبتنی بر معادالت تفاضلی عادی‬
‫تشکیل شده است‪ .‬ماژول مشترک محتوا و انتشار یک گراف ناهمگن محتوا‪-‬انتشار را برای به دست‬
‫آوردن نمایندگی شایعه ایجاد می‌کند‪ ،‬با استخراج و کشف تعامل بین محتوای پست و ساختارهای انتشار در‬
‫فرآیند انتشار شایعه‪ .‬ماژول پویایی مبتنی بر معادالت تفاضلی عادی از یک ‪ GCN‬همراه با یک سیستم‬
‫تفاضلی عادی برای بررسی ویژگی‌های پویای گراف‌های ناهمگن استفاده می‌کند‪ .‬برای ارزیابی عملکرد‬
‫مدل ‪ HDGCN‬پیشنهادی ما‪ ،‬آزمایش‌های گسترده‌ای را بر روی دو مجموعه داده واقعی از توییتر انجام‬
‫داده‌ایم‪ .‬نتایج مدل پیشنهادی ما از مدل‌های رایج بهتر عمل کرده است‪.‬‬
 ‫در این مقاله‪ ،‬یک روش تشخیص پویای شایعات بر پایه شبکه تغلبی گرافی به نام ‪ HDGCN‬ارائه‬
‫می‌دهیم که از محتوای پست و ساختار انتشار شایعه و تغییرات پویای گراف ناهمگن در هنگام گسترش‬
‫شایعه استفاده می‌کند‪ .‬با توجه به اینکه محتوای شایعه و ساختار انتشار نقش‌های حیاتی در طبقه‌بندی شایعه‬
‫دارند‪ ،‬ما دو عامل را در یک گراف اتحادی ترکیب می‌کنیم تا جزئیات بیشتری از اطالعات شایعه به دست‬
‫آوریم‪ .‬عالوه بر این‪ GCN ،‬توانایی مقابله با داده‌های ساختاری گراف را دارد و نمایش‌های سطح باالتر را‬
‫یاد می‌گیرد‪ ،‬و معادله تفاضلی عادی می‌تواند پویایی زمانی پیوسته را در یک گراف پیچیده به دست آورد‪.‬‬
‫ما ماژول پویایی را با استفاده از ‪ GCN‬به عنوان شبکه مشتق برای به دست آوردن نمایندگی پویای گراف‬
‫ناهمگن طراحی می‌کنیم‪ .‬در نهایت‪ ،‬آزمایش‌های گسترده‌ای را بر روی دو مجموعه داده واقعی (‪Twitter15‬‬
‫و ‪ )Twitter16‬انجام می‌دهیم و نتایج آزمایش نشان می‌دهد که روش پیشنهادی ما در تشخیص شایعه از‬
‫مدل‌های رایج عملکرد بهتری دارد‪.‬‬
‫در آینده‪ ،‬ما قصد داریم گراف‌های چندوجهی را بررسی کنیم که قادر به یکپارچه‌سازی اطالعات‬
‫بیشتری مانند پروفایل کاربران‪ ،‬تصاویر و دانش معنایی برای طبقه‌بندی شایعه هستند‪ .‬عالوه بر این‪ ،‬ما به‬
‫مطالعه سیستم پویایی انتشار شایعه در رسانه‌های اجتماعی می‌پردازیم و روش‌های کارآمدتری برای‬
‫بررسی تغییرات پویایی در انتشار شایعه برای افزایش استحکام طبقه‌بندی شایعه را ارائه خواهیم داد‪.‬‬