一种基于多关系传播树的谣言检测方法

胡斗; 卫玲蔚; 周薇; 淮晓永; 韩冀中; 虎嵩林

doi:10.7544/issn1000-1239.2021.20200810

一种基于多关系传播树的谣言检测方法

¹(华北计算机系统工程研究所北京 100083)
²(中国科学院信息工程研究所北京 100093)
³(中国科学院大学网络空间安全学院北京 100049) (hudou18@mails.ucas.edu.cn)

基金项目: 国家重点研发计划项目(2018YFC0806900)

详细信息

中图分类号: TP391
计量
- 文章访问数: 764
- HTML全文浏览量: 6
- PDF下载量: 499
出版历程
- 发布日期: 2021-06-30

A Rumor Detection Approach Based on Multi-Relational Propagation Tree

¹(National Computer System Engineering Research Institute of China, Beijing 100083)
²(Institute of Information Engineering, Chinese Academy of Sciences, Beijing 100093)
³(School of Cyber Security, University of Chinese Academy of Sciences, Beijing 100049)

Funds: This work was supported by the National Key Research and Development Program of China (2018YFC0806900).

摘要

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.
- 谣言检测 /
- 传播树 /
- 图卷积网络 /
- 信息传播 /
- 社交媒体
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.
- rumor detection /
- propagation tree /
- graph convolutional network /
- information propagation /
- social media

HTML全文

参考文献(0)

施引文献(14)

期刊类型引用(9)

1.	郭豆豆，徐伟华. R-FCCL：一种面向高维数据的稳健模糊概念认知学习方法. 计算机研究与发展. 2025(02): 383-396 . 本站查看
2.	刘彧轩，廖宇晨，刘忠慧. 单条件三元概念构建及其融合推荐应用. 计算机与现代化. 2024(07): 1-6 . 百度学术
3.	李金海，王坤，陈强强. 三元概念的分布式并行构造算法. 模式识别与人工智能. 2024(10): 873-886 . 百度学术
4.	王霞，全园，李俊余，吴伟志. 三元概念的增量式构造方法. 南京大学学报(自然科学). 2022(01): 19-28 . 百度学术
5.	刘忠慧，赵琦，邹璐，闵帆. 三元概念的启发式构建及其在社会化推荐中的应用. 计算机科学. 2021(06): 234-240 . 百度学术
6.	李金海，贺建君，吴伟志. 多粒度形式概念分析的类属性块优化. 山东大学学报(理学版). 2020(05): 1-12 . 百度学术
7.	李俊余，李星璇，王霞，吴伟志. 基于三元因子分析的三元概念约简. 南京大学学报(自然科学). 2020(04): 480-493 . 百度学术
8.	李金海，魏玲，张卓，翟岩慧，张涛，智慧来，米允龙. 概念格理论与方法及其研究展望. 模式识别与人工智能. 2020(07): 619-642 . 百度学术
9.	王霞，谭斯文，李俊余，吴伟志. 基于条件属性蕴含的概念格构造及简化. 南京大学学报(自然科学). 2019(04): 553-563 . 百度学术