KPG: 基于强化学习的谣言检测关键传播图生成器
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
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
我们在本文中提出了一种新型的语义演变增强的传言检测（GARD）模型，该模型通过捕捉局部语义变化和全局语义演进信息来学习事件的语义演变信息，并通过特定的图自编码器和重构策略实现。通过结合语义演变信息和传播结构信息，该模型对事件传播进行全面理解，从而实现准确和稳健的传言检测，并在早期阶段通过捕捉语义演变信息来检测谣言。此外，为了增强模型学习谣言和非谣言的不同模式的能力，我们引入了一个统一性正则化器来进一步提高模型的性能。在三个公共基准数据集上的实验证据证实了我们的 GARD 方法在整体性能和早期传言检测方面优于现有方法。
Apr, 2024
本文提出了一个新颖的知识保持增量异构图神经网络（KPGNN），通过将复杂的社交信息建模为统一的社交图以提高数据利用率，并探索 GNN 的表达能力进行知识提取。KPGNN 使用对比损失函数适应不断变化的事件类型，并利用 GNN 的归纳学习能力从先前未见过的数据中扩展知识。最终的实验结果证明了 KPGNN 优于各种基线算法。
Jan, 2021
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
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
本文介绍了基于图神经网络和知识图谱的学习方法，探讨了路径传播中关键因素，并提出了一种自适应的传播路径方法，通过过滤不相关的实体同时保留有前途的目标，实现了更深层次的信息抓取，最终获得了在归纳推理中领先的效果。
May, 2022
提出一种名为 REP 的方法，该方法是一种后处理技术，可用于以前训练的知识图嵌入与图形上下文相适应。REP 具有显着的可扩展性，在改善或维持预测质量的同时平均带来相对 10％的提高，并需要 5％-83％的时间才能达到与最先进 GC-OTE 相当的结果。
May, 2022