(太原理工大学大数据学院 山西晋中 030600) (yangyanjie1073@link.tyut.edu.cn)
出版日期: 2021-07-01基金资助:国家自然科学基金项目(61872260)Rumor Detection Based on Source Information and Gating Graph Neural Network
Yang Yanjie, Wang Li, Wang Yuhang(College of Big Data, Taiyuan University of Technology, Jinzhong, Shanxi 030600)
Online: 2021-07-01Supported by:This work was supported by the National Natural Science Foundation of China (61872260).摘要/Abstract
摘要： 社交媒体在带给人们便利同时，也为谣言的发布和传播提供了平台.目前，大多数的谣言检测方法都是基于文本内容信息，但在社交媒体场景下，文本内容大多是短文本，这类方法往往会因为数据稀疏性的问题导致性能下降.社交网络上的消息传播可建模为图结构，已有研究考虑消息传播结构特点，通过GCN等模型进行谣言检测.GCN依据结构信息聚合邻居来提升节点表示，但有些邻居聚合是无用的，甚至可能带来噪声，使得通过GCN得到的表示并不可靠.此外，这些研究不能有效的突出源帖信息的重要性.针对这些问题提出了一种融合门控的传播图卷积网络模型GUCNH，在GUCNH模型中，首先利用消息转发关系构建信息转发图，通过2个融合门控的图卷积网络模块来聚合邻居节点信息生成节点的表示，融合门控能够对图卷积之前的特征表示和之后的特征表示进行选择与组合，以得到更加可靠的表示.考虑到在转发图中，任意的帖子之间都可能存在相互影响，而不仅仅是基于邻接关系，因此在2个融合门控的图卷积网络模块之间引入多头自注意力模块来建模任意帖子之间的多角度影响.此外，在转发图中，源帖包含的信息往往是最原始、最丰富的，在生成各节点表示之后，选择性的增强了源节点的信息以增强根源信息的影响力.在3个真实数据集上进行的实验表明，提出的模型优于现有的方法.
参考文献
相关文章 6
| [1] | 陈慧敏, 金思辰, 林微, 朱泽宇, 仝凌波, 刘一芃, 叶奕宁, 姜维翰, 刘知远, 孙茂松, 金兼斌. 新冠疫情相关社交媒体谣言传播量化分析[J]. 计算机研究与发展, 2021, 58(7): 1366-1384. |
| [2] | 胡斗, 卫玲蔚, 周薇, 淮晓永, 韩冀中, 虎嵩林. 一种基于多关系传播树的谣言检测方法[J]. 计算机研究与发展, 2021, 58(7): 1395-1411. |
| [3] | 徐铭达,张子柯,许小可. 基于模体度的社交网络虚假信息传播机制研究[J]. 计算机研究与发展, 2021, 58(7): 1425-1435. |
| [4] | 刘金硕, 冯阔, Jeff Z. Pan, 邓娟, 王丽娜. MSRD: 多模态网络谣言检测方法[J]. 计算机研究与发展, 2020, 57(11): 2328-2336. |
| [5] | 石乐义,朱红强,刘祎豪,刘佳. 基于相关信息熵和CNN-BiLSTM的工业控制系统入侵检测[J]. 计算机研究与发展, 2019, 56(11): 2330-2338. |
| [6] | 孙小婉,王英,王鑫,孙玉东. 面向双注意力网络的特定方面情感分析模型[J]. 计算机研究与发展, 2019, 56(11): 2384-2395. |
PDF全文下载地址:
https://crad.ict.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=4453
