导语

在AI快速发展的当下，AI不仅深刻影响着信息传播的方式，也为传播学研究带来了全新视角和方法。基于此，集智俱乐部联合北京师范大学许小可教授、浙江大学张子柯教授、南京大学王成军教授、深圳大学廖好副教授共同发起“AI×传播”读书会，从计算叙事、智能传播、人机传播与传播仿真四个板块向来共同探索AI与传播的前沿交叉，来深度理解传播机制和传播生态。

9月20日（周六）10:00将开启读书会第五期，由深圳大学计算机与软件学院长聘副教授廖好分享“信息与计算视角的智能传播”主题，本次分享聚焦于分享聚焦于社交媒体智能传播，核心议题涵盖谣言与虚假信息检测、竞争性传播机制及关键传播节点识别。方法上运用传播网络与证据推理模型（如MUSER）、竞争性传播中的CLT与PA-IC模型，以及K-shell分解和网络纠缠方法识别意见领袖。整体结合复杂系统理论、图网络算法和深度学习，揭示信息流动与舆论机制。

分享简介

在社交媒体平台成为信息传播核心载体的时代，其复杂的社会技术生态系统深刻改变了信息的获取、分享与解读方式。本次读书会本主题以复杂系统理论为框架，系统探讨社交媒体智能信息传播的三个关键领域：（1）谣言与虚假信息检测，（2）竞争性传播机制，（3）关键传播节点的识别。

分享将聚焦复杂性感知模型、图网络算法及深度学习技术在提升内容可信度和引导信息传播中的前沿应用，揭示用户交互、内容流动与网络结构如何催生影响力和舆论形成的涌现模式。我们将进一步探讨从理论到实践的未来研究方向，旨在构建更加可信、可靠和适应性强的社交媒体生态系统。

分享大纲

1. 谣言与虚假信息的自动化检测机制

2. 可靠信息与不可靠信息的竞争性传播动态

3. 社交网络中关键传播节点（意见领袖）的识别与作用

主讲人

廖好，深圳大学计算机与软件学院长聘副教授，博士生导师。2015年在瑞士弗里堡大学获哲学博士学位。主要研究方向是信息挖掘与复杂系统交叉领域，信息传播和大模型等相关领域研究，先后主持了3项国家自然科学基金等多个纵向及微软亚洲研究院、腾讯、百度、平安等企业合作委托科研项目，参与了国家重点研发计划，国家自然科学基金-广东省联合基金等国家重点项目。申请和获得国家发明专利六十余项。在Physics Reports、EPL、Chaos、CNSNS、ACM Trans、IP&M等重要期刊及NeurIPS、KDD、SIGMOD、WWW、ACL、EMNLP、AAAI等权威会议上发表论文。曾获CCF-腾讯犀牛鸟卓创奖，微软亚洲研究院铸星计划学者，微软新闻集团LT-Hack Recognition Award以及深圳大学荔园优青学者。

阅读清单

总览

1. Liao, H., et al. (2020). Dissemination intelligence information on social media. Europhysics Letters, 150(1), p.11001.

2. 《大数据网络传播模型和算法》，陈卫，人民邮电出版社，2020.

谣言与虚假信息检测

1. Shu, K., et al. (2020). Hierarchical propagation networks for fake news detection: Investigation and exploitation. Proceedings of the International Conference on Web and Social Media (ICWSM).

   提出基于传播网络的虚假信息检测方法，利用用户属性和转发时间序列重构新闻-用户网络，支持复杂下游任务。

2. Jin, Y., et al. (2022). Towards fine-grained reasoning for fake news detection. In Proceedings of the AAAI conference on artificial intelligence, 36(05), 5746-5754.

   通过细粒度推理整合语境分析和基于证据的推断，提升假新闻检测的准确性。利用先进的自然语言处理和证据网络图，该框架在多样化数据集上展现出稳健性能。

3. Liao, H., et al. (2023). Muser: A multi-step evidence retrieval enhancement framework for fake news detection. In Proceedings of the 29th ACM  SIGKDD conference on knowledge discovery and data mining (pp. 4461-4472).

   提出了一种创新的多步骤证据检索增强框架（MUSER），通过模拟人类在新闻消费中的认知过程-阅读、总结、查阅资料和推理真伪，显著提升了假新闻检测的性能。

竞争性传播

1. He, X., et al. (2012). Influence blocking maximization in social networks under the competitive linear      threshold model. Proceedings of the 2012 SIAM International Conference on Data Mining, 463-474. 

   提出竞争线性阈值（CLT）模型，研究社交网络中竞争性影响传播及种子节点选择问题。

2. Liao, H., et al. (2023). Popularity Ratio Maximization: Surpassing Competitors through Influence Propagation. SIGMOD ’23, Seattle, WA, USA. 

   该研究提出了PA-IC模型，整合偏好连接（PA）模型与独立级联（IC）模型，并针对流行度比率最大化（PRM）问题，为新手项目在动态竞争环境中制定最优的多轮次推广策略，提供了首个兼具理论分析和高效计算的框架。

关键传播节点识别

1. Kitsak, M., et al. (2010). Identification of influential spreaders in complex networks. Nature Physics, 6(11), 888-893. 

   提出K-shell分解方法，通过网络层次结构识别核心传播节点，揭示节点重要性。

2. Huang, Y., et al.（2024）. Identifying key players in complex networks via network entanglement.      Commun Phys 7, 19 (2024)
   

   使用“基于纠缠”的方法识别复杂网络中的关键节点，涉及分析网络结构与属性的相互交织，类似于量子纠缠连接粒子。旨在理解移除某些节点（关键节点）将如何影响网络的整体功能和结构。

参与方式

参与时间：2025年9月20日（周六）10:00-12:00 北京时间

报名加入社群交流

扫码报名（可开发票）

报名链接：https://pattern.swarma.org/study_group/67?from=wechat

扫码参与AI×传播读书会社区，加入群聊，获取系列读书会回看权限，加入AI×传播社区，与社区的一线科研工作者沟通交流，共同探索AI与传播的前沿交叉，来深度理解传播机制和传播生态。

视频号直播预约：

AI×传播读书会

在AI快速发展的当下，AI不仅深刻影响着信息传播的方式，也为传播学研究带来了全新视角和方法。基于此，集智俱乐部联合北京师范大学许小可教授、浙江大学张子柯教授、南京大学王成军教授、深圳大学廖好副教授共同发起“AI×传播”读书会，从计算叙事、智能传播、人机传播与传播仿真四个板块向来共同探索AI与传播的前沿交叉，来深度理解传播机制和传播生态。读书会自8月23日起，每周六10:00-12:00举行，预计持续12周。

我们将探讨如下核心问题：

1. 在人机共同参与的叙事生态中，叙事的生产、传播与接受机制发生了哪些根本性变化？

2. 在复杂社交网络环境中，如何构建智能化的信息可信度评估与虚假信息防控机制？

3. 如何运用深度学习和强化学习等智能方法，实现从个体到群体的精准化传播影响力最大化？

4. 如何构建适应人机混合传播网络特征的新型研究范式，以有效解析机器行为规律和人机协同传播机制？

5. 如何构建基于大语言模型的认知驱动型智能体仿真系统？

详情请见：当机器成为主体，传播学要如何应对？| AI×传播读书会发布