AAAIJan, 2020

使用双向图卷积网络在社交媒体上进行谣言检测

PDF
TL;DR本文提出一种新的双向图卷积网络模型（Bi-GCN），结合传播和扩散两个重要特征进行谣言检测，该模型利用顶部向下传播和底部向上传播的方式进行训练，并结合源帖信息来提升谣言的影响力。实验结果表明该方法在多个基准测试中优于先前的类似方法。
social mediarumor detectiondeep learninggraph convolutional networksempirical results
发现论文，激发创造
  • 基于区域增强的深度图卷积网络用于谣言检测

    该研究提出了一种新颖的区域增强型深度图卷积网络（RDGCN），通过学习区域化传播模式来增强谣言的传播特征，并通过无监督学习训练传播模式，以解决社交媒体上的谣言检测问题。实验证明，该模型在谣言检测和早期谣言检测方面表现比基准方法更好。

    Jun, 2022

  • 边缘增强的贝叶斯图卷积网络在谣言检测中的传播不确定性研究

    本文针对社交媒体上谣言检测的不确定性问题，首次提出了通过 Edge-enhanced Bayesian Graph Convolutional Network (EBGCN) 探索传播不确定性以提高谣言检测性能，并采用新的边一致性训练框架优化模型的方法。在三个公共基准数据集上进行实验证明，所提出的模型在谣言检测和早期谣言检测任务上均表现优于基准方法。

    Jul, 2021

  • 一种新颖的图神经网络方法用于谣言检测

    在社交媒体上，广泛传播的谣言对人们的日常生活产生了负面影响，导致公众潜在的恐慌、恐惧和心理健康问题。本文提出了一种新的检测模型，通过联合学习用户相关性和信息传播的表示来检测社交媒体上的谣言。评估结果表明，该模型在已有的谣言检测模型方面表现优秀，并且对抗性攻击更具鲁棒性。

    Mar, 2024

  • 探索面向图的多视图融合在社交媒体谣言检测中的应用

    本研究提出了一种基于图卷积网络的多视图融合框架，用于较好地表示和识别谣言信息，并且在两个公共数据集上实验，结果表明该方法优于现有的技术。

    Nov, 2022

  • 关注谣言：基于注意力机制的循环神经网络用于早期谣言检测

    采用一种基于循环神经网络（RNN）的深度注意力模型，学习序列式文章的不同隐藏表现以识别流言，并通过软注意力机制来提纯相关文章的相关部分，实验证明其能够更快、更准确地检测和辨别流言。

    Apr, 2017

  • 多样对证证据在谣言检测中的应用

    社交媒体的增长加剧了虚假消息对个人和社区的威胁，因此需要开发高效及时的谣言检测方法。本文提出了多样对立证据框架用于谣言检测 (DCE-RD)，通过利用事件图的多角度解释以及聚合多样的对立证据，实现了可解释且鲁棒的谣言检测结果。

    Jul, 2023

  • 使用指导索赔的分层图注意网络在 Twitter 上检测谣言

    本研究提出了一种称为单元引导层次图注意力网络的方法，利用社交上下文以增强响应帖子的表征学习，并在 Twitter 上展示了其优越的谣言检测能力。

    Oct, 2021

  • 基于异构图注意力网络的 Twitter 谣言早期检测

    本研究提出基于异质图的元路径捕获方法，结合全局语义关系和社交媒体消息传播结构信息，用于检测社交媒体中的谣言。在真实的 Twitter 数据集上进行的实验证明了该方法的优越性，同时还具有非常早期检测谣言的能力。

    Jun, 2020

  • VGA：用于谣言检测的视觉与图像融合注意力网络

    社交媒体中谣言的传播对社会造成了巨大的伤害，本研究提出一种新的视觉与图神经网络（VGA），通过利用帖子间的传播结构来获取群众观点、发现视觉篡改特征以及隐藏在图像中的文本信息，从而有效地检测多模态谣言。

    Jan, 2024

  • 基于传播结构的统一对比迁移框架用于增强低资源谣言检测

    本文提出了一种基于统一对比转移框架的谣言检测方法，通过语言对齐和领域自适应对比学习机制，训练多尺度图卷积网络，实现在不同语言资源匮乏的情况下检测谣言，实验证明这种方法比其他方法更具优越性。

    Apr, 2023