EMNLPOct, 2021

使用指导索赔的分层图注意网络在 Twitter 上检测谣言

PDF
TL;DR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。
rumor detectionsocial mediaconversation structuregraph attention networktwitter
发现论文，激发创造
  • 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

  • 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

  • 通过关注用户交互进行微博可解释的谣言检测

    本文提出了一种基于注意力机制和变压器网络的带长程交互的新模型（PLAN）来检测谣言，该模型在两个谣言检测数据集上的表现优于现有最先进的模型，并且允许我们在标记级别和文章级别解释谣言检测预测。

    Jan, 2020

  • 异构图的本地和全局关系联合嵌入在谣言检测中的应用

    本文提出了一种新颖的全局 - 局部注意力网络（GLAN）来进行谣言检测，该网络联合编码了本地语义和全局结构信息，并基于异构图模型来捕捉消息传播图中的丰富结构信息，实验证明在谣言检测和早期检测场景中，GLAN 明显优于现有的最先进模型。

    Sep, 2019

  • 建模会话结构和时间动态以共同预测谣言立场和真实性

    本文提出了一种基于图卷积神经网络的层级多任务学习框架，用于同时预测 Twitter 上谣言立场和可信度，底部组件使用结构属性建模来分类谣言推文的立场，而顶部组件通过利用立场演变的时间动态来预测谣言的真实性。实验结果表明，我们的方法在谣言立场分类和真实性预测方面均优于以往的方法。

    Sep, 2019

  • 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

  • 基于层次图注意力的新闻异构信息网络假新闻检测

    该研究提出了一种名为 HGAT (Hierarchical Graph Attention Network) 的框架，该框架利用一种新颖的分层注意机制，在异构信息网络中进行节点表示学习，通过对新闻文章节点进行分类来检测假新闻。实验结果表明，HGAT 可以胜过基于文本和其他基于网络结构的模型，并且该框架还具有与其他节点分类相关应用程序的图形表示学习的扩展性和通用性。

    Feb, 2020

  • 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

  • 使用双向图卷积网络在社交媒体上进行谣言检测

    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。

    Jan, 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