Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Fake News Mitigation in Social Networks
KTH, School of Electrical Engineering and Computer Science (EECS).
2018 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Fake news is particularly virulent in social networks, where the absence of lters helps itspread quickly. Despite the eorts put forward by the main social network companies, misinformationis still a rampant problem online. One way to limit its diusion is to expose usersto fact-checking content that debunks trending fake news stories with the hope that this willprevent them from sharing misinformation further. This intervention can be carried out by selectinga seed set of users to be exposed to this so-called mitigating content. In order to identifythe best users to select for mitigation purposes, synthetic experiments are performed to simulatethe behavior of the network when the intervention is carried out. These simulations rely on astochastic point process-based model which has been shown to adequately capture the propagationof two competing information campaigns in a network. Due to the overwhelmingly largesizes of the most popular social networks, this model is trained based on real data collectedfrom a smaller sub-network of users who have been carefully chosen. Several algorithms areused to select interesting seed sets of users and their mitigation performances are compared inseveral dierent settings. It is shown that the proposed method of a mitigating intervention inthe network greatly increases the total amount of fact-checking articles over the total amount offake news and that the choice of which users to inuence is signicant as it strongly aects themitigating performances.

Abstract [sv]

Fejknyheter är väldigt virulenta i sociala medier där avsaknaden av filter påskyndar sprid-ningen. Trots de ansträngningar som gjorts av de viktigaste företagen inom sociala medier så är desinformation fortfarande ett hejdlöst problem på nätet. Ett sätt att begränsa spridningen är att exponera användare för faktakontrollerande innehåll som som avslöjar fake news i hopp om att detta kommer att hindra användarna från att dela den felaktiga informationen vidare. Detta ingripande kan utföras genom att välja en grupp så kallade ”seed-användare” som exponeras för det faktakontrollerande innehållet. För att identidiera de bästa användare att välja ut utförs syntetiska experiment som simulerar nätverkets beteende när ingreppet utförs. Dessa simuleringar bygger en stokastisk punktprocessbaserad modell som har visat sig beskriva spridningen av två tävlande informationskampanjer på ett adekvat sätt. På grund av den överväldigande storleken hos de mest populära sociala nätverken tränas modellen på verklig data som hämtats hos en mindre delmängd särskilt utvalda subnätverk. Flera algoritmer används för att välja ut seed-användare och deras påverkan på spridningen i närverket utvärderas under ett flertal olika omständigheter. Det framgår att den föreslagna metoden av ett ingripande i nätverket kraftigt ökar den totala mängden faktabaserade artiklar jämfört med mängden fejknyheter och att beslutet om vilka användare som ska påverkas är av betydelse då det kraftigt påverkar pre-standan.

Place, publisher, year, edition, pages
2018. , p. 37
Series
TRITA-EECS-EX ; 2018:763
National Category
Engineering and Technology
Identifiers
URN: urn:nbn:se:kth:diva-246085OAI: oai:DiVA.org:kth-246085DiVA, id: diva2:1295737
Educational program
Master of Science in Engineering -Engineering Physics
Examiners
Available from: 2019-03-12 Created: 2019-03-12 Last updated: 2019-03-12Bibliographically approved

Open Access in DiVA

fulltext(739 kB)109 downloads
File information
File name FULLTEXT01.pdfFile size 739 kBChecksum SHA-512
44d29283a3630e9d4e89ad556ac7a993eb7c23bf04841de12c917e194861a2cc596578bdf58e4caaf081bdf216aa27d9d3d85daada39c9d9a0d48c8dd7443efa
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Engineering and Technology

Search outside of DiVA

GoogleGoogle Scholar
Total: 109 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 795 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf