基于机器学习的网络谣言识别系统设计与实现

摘要

随着社交媒体的快速发展，网络谣言的生成与传播呈爆发式增长，严重扰乱公共秩序并破坏信息生态。传统人工审核方式效率低下，而依赖单一文本特征的识别模型也难以应对谣言内容的伪装与动态变异。针对上述问题，本文设计并搭建了一套融合文本语义与传播结构特征的多模态网络谣言识别系统，构建了一种基于Transformer的双向编码器表示-文本卷积神经网络-图注意力网络（BERT-TextCNN-GAT）融合模型。在多数据集上的实验验证表明，该系统精确率达95.72%,F1值为96.18%，性能优于传统方法与单一深度学习模型，可有效支撑社交平台内容治理与舆情监控应用。

关键词

网络谣言 / 特征识别 / 基于Transformer的双向编码器表示(BERT) / 深度学习模型