A Rumor Detection Approach Based on Multi-Relational Propagation Tree
-
摘要: 近年来，社交媒体为人们消费信息提供便利的同时，也逐渐成为谣言产生和传播的温床.为了降低谣言的危害性，谣言检测受到研究学者的广泛关注.近期研究主要基于博文内容和传播结构信息，利用深度学习模型进行谣言检测.但是，这些方法仅考虑传播过程中博文之间的显式交互关系，忽略了对潜在关系的建模，难以捕捉到丰富的传播结构特征.例如，在转发(或评论)的交互形式下，多个转发者(或评论者)之间往往也存在局部的隐式交互.针对该挑战，提出一种基于多关系传播树的谣言检测方法，建模博文之间的多种依赖关系，同时增强重要博文的影响力，以捕获更丰富的信息传播结构特征.具体地，基于文本内容和传播树结构建立异构图，使用多关系图卷积网络建模父子节点之间的层间依赖关系和兄弟节点之间的层内依赖关系，并利用源节点和关键传播节点建模重要博文在信息传播中的潜在影响力，从而学习一个更全面的特征向量表示，用于检测谣言.在3个公开的真实数据集上进行广泛的实验，结果表明该方法具有比其他基线方法更高的谣言检测性能.Abstract: Rumor detection has aroused increasing attention due to the damage caused by rampant rumors. Recent studies leverage the post content and propagation structure to detect rumors based on deep-learning based models. However, most of them focus on explicit interactions between posts in the spreading process, while ignoring the modeling of implicit relations, which limits the ability to encode the propagation structure. For example, in the interactive pattern of forwarding (commenting), there are often local implicit interactions between multiple forwarded (commented) posts. In this paper, we propose a rumor detection approach based on a multi-relational propagation tree, investigating multiple kinds of dependencies between posts and enhancing the influence of important posts, to capture richer propagation patterns. Specifically, we formulate the textual content and the propagation tree structure as a heterogeneous graph. Then, we present a novel multi-relational graph convolutional network to learn the inter-level dependency between parent and child nodes and the intra-level dependency between sibling nodes. Meanwhile, we exploit the source post and key spreading posts to model the potential influence of important posts in the spreading process. Finally, we aggregate the node features to learn a more discriminative representation for rumor detection. Extensive experiments on three public benchmark datasets demonstrate the effectiveness and superiority of our proposed method.
-
-
期刊类型引用(16)
1. 徐宁，李静秋，王岚君，刘安安. 时序特性引导下的谣言事件检测方法评测. 南京大学学报(自然科学). 2025(01): 71-82 . 
百度学术
2. 陈林威，宋玉蓉，宋波. 时序感知的异质图神经谣言检测. 小型微型计算机系统. 2024(01): 45-51 . 百度学术
3. 朱贺. 融合信息对抗及混合特征表示的社交网络谣言检测方法. 情报杂志. 2024(02): 118-127 . 百度学术
4. 朱文龙，陈羽中，饶孟宇. 一种基于动态异构图的谣言检测模型. 小型微型计算机系统. 2024(02): 319-326 . 百度学术
5. 关昌珊，邴万龙，刘雅辉，顾鹏飞，马洪亮. 基于图卷积网络的多特征融合谣言检测方法. 郑州大学学报(工学版). 2024(04): 70-78 . 百度学术
6. 王根生，朱奕，李胜. 一种融合知识图谱的图注意力神经网络谣言实时检测方法. 数据分析与知识发现. 2024(06): 95-106 . 百度学术
7. 余潇龙 ，郭天成 ，陈阳 ，王新 . 基于贴文级特征融合的社交网络谣言检测方法. 计算机应用与软件. 2024(08): 189-195 . 百度学术
8. 陈静，周刚，李顺航，郑嘉丽，卢记仓，郝耀辉. 社交媒体虚假信息检测研究综述. 计算机科学. 2024(11): 1-14 . 百度学术
9. 朱奕，王根生，金文文，黄学坚，李胜. 基于文本语义增强和评论立场加权的网络谣言检测. 计算机科学与探索. 2024(12): 3311-3323 . 百度学术
10. 吴树芳，王宏彬，朱杰，陈婷. 基于两层异质网络的社交短文本扩展研究. 数据分析与知识发现. 2024(10): 77-88 . 百度学术
11. 杨晓晖，王卫宾. 基于门控图神经网络的谣言检测模型. 燕山大学学报. 2023(01): 73-81 . 百度学术
12. 吴越，温欣，袁雪. ParallelGAT:网络谣言检测方法. 情报杂志. 2023(05): 94-101+93 . 百度学术
13. 冀源蕊，康海燕，方铭浩. 基于Attention与Bi-LSTM的谣言识别方法. 郑州大学学报(理学版). 2023(04): 16-22 . 百度学术
14. 王友卫，凤丽洲，王炜琦，侯玉栋. 基于事件-词语-特征异质图的微博谣言检测新方法. 中文信息学报. 2023(09): 161-174 . 百度学术
15. 王友卫，童爽，凤丽洲，朱建明，李洋，陈福. 基于图卷积网络的归纳式微博谣言检测新方法. 浙江大学学报(工学版). 2022(05): 956-966 . 百度学术
16. 仝鑫，张长琳. 互联网发展新背景下的网络谣言发展及防控机制研究. 河南警察学院学报. 2021(06): 113-117 . 百度学术
其他类型引用(17)
计量
- 文章访问数: 764
- HTML全文浏览量: 6
- PDF下载量: 499
- 被引次数: 33
下载:
