Mar, 2024

一种新颖的图神经网络方法用于谣言检测

PDF
TL;DR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。
发现论文，激发创造
  • 预测病毒性谣言和脆弱用户的信息传播监测

    在信息泛滥的时代，我们提出了一种新颖的方法来预测病毒谣言和易受攻击的用户，该方法利用了图神经网络模型、多任务训练策略和数据集构建，实现了在谣言检测、病毒性预测和用户脆弱性评分等任务上的卓越性能提升。

    Jan, 2024

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 基于传播结构的零样本谣言检测：通过提示学习

    本文提出了一种基于远程学习的零样本学习框架，用于检测不同语言环境下不同领域的谣言信息，这种模型通过上下文表征、结构特征以及虚拟响应增强方法提高了对谣言信息的早期检测能力，并在三个实际数据集上得到了比现有模型更好的表现。

    Dec, 2022