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(18)
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. 崔蒙蒙，刘井平，阮彤，宋雨秋，杜渂. 基于双重多视角表示的目标级隐性情感分类. 计算机工程. 2024(01): 79-90 . 百度学术
3. 张乐怡，周怡洁，俞定国，闫燕勤. 媒介变迁下的谣言传播研究. 新媒体研究. 2024(14): 12-16 . 百度学术
4. 王世雄，吴泽政. 基于异质信息网络表征学习的微博虚假信息甄别研究. 情报杂志. 2024(12): 152-160 . 百度学术
5. 陈雄逸，许力，张欣欣，尤玮婧. 社交网络基于意见领袖的谣言抑制方案. 信息安全研究. 2023(01): 57-65 . 百度学术
6. 张欣欣 ，许力 ，徐振宇 . 基于网络模体的移动社会网络信息可控传播方法. 电子与信息学报. 2023(02): 635-643 . 百度学术
7. 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
8. 孙书魁，范菁，李占稳，曲金帅，路佩东. 人工智能在新型冠状病毒肺炎中的研究综述. 计算机工程与应用. 2023(05): 28-39 . 百度学术
9. 陈卓敏，王莉，朱小飞，王子康. 基于对抗图增强对比学习的虚假新闻检测. 中文信息学报. 2023(06): 137-146 . 百度学术
10. 鲁贻锦，吴蕾. 基于大数据驱动技术的媒体风险感知模型研究. 佳木斯大学学报(自然科学版). 2023(06): 52-56 . 百度学术
11. 许云红，崔乐靖，朱南丽，郑娜娜. 社交媒体用户谣言传播行为的影响因素研究综述. 新媒体研究. 2023(24): 14-17+33 . 百度学术
12. 龙小农，靳旭鹏. 新冠疫情、信息疫情与政治疫情的互动关系及作用机制. 现代传播(中国传媒大学学报). 2022(02): 66-76 . 百度学术
13. 杨秀璋，刘建义，任天舒，宋籍文，武帅，姜婧怡，陈登建，周既松，李娜. 基于改进LDA-CNN-BiLSTM模型的社交媒体情感分析研究. 现代计算机. 2022(02): 29-36 . 百度学术
14. 张放，范琳琅. 公共危机中社交媒体辟谣信息采纳的关键要素探究——基于新冠疫情微博辟谣文本的计算分析. 新闻界. 2022(10): 75-85 . 百度学术
15. 朱梦蝶，付少雄，郑德俊，李杨. 文献视角下的社交媒体健康谣言研究：特征、传播与治理. 图书情报知识. 2022(05): 131-143 . 百度学术
16. 肖喜珠，杨闻远，高慧敏，高世奇，郭书恒，路思玲，聂欣政，任书漫，王一民，温馨. “后真相”时代的风险感知与反击：青年社交媒体用户信息行为研究. 新媒体研究. 2022(21): 40-46 . 百度学术
17. 徐建民，王恺霖，吴树芳. 基于改进D-S证据理论的微博不可信用户识别研究. 数据分析与知识发现. 2022(12): 99-112 . 百度学术
18. 周晖. 国内外基于社交媒体的社会情绪对比分析. 中华医学图书情报杂志. 2022(12): 65-69 . 百度学术
其他类型引用(21)
计量
- 文章访问数: 764
- HTML全文浏览量: 6
- PDF下载量: 499
- 被引次数: 39
下载:
