基于文本语义增强和评论立场加权的网络谣言检测

TP391; 社交网络方便人们信息交流的同时也为谣言的传播提供了新的温床.由于社交媒体帖子通常十分精简,大多数基于内容语义特征的谣言检测方法面临着语义信息不足的挑战.同时,目前基于传播特征的谣言检测方法常常忽略了评论用户的个体特征,未能合理分配不同用户评论的权重.因此,提出一种结合文本语义增强和评论立场加权的网络谣言检测方法.通过外部知识图谱获取帖子中的实体和概念的解释,以提供更多上下文信息,从而增强语义理解.借助点互信息将增强后的文本转化为加权图表示,并利用加权图注意力网络学习帖子的增强语义特征.通过预训练的立场检测模型提取帖子中每条评论的立场信息,并根据评论用户的特征来学习立场信息的权重值...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 18; no. 12; pp. 3311 - 3323
Main Authors 朱奕, 王根生, 金文文, 黄学坚, 李胜
Format Journal Article
LanguageChinese
Published 江西财经大学 人文学院,南昌 330013%江西财经大学 人文学院,南昌 330013%江西财经大学 信息管理学院,南昌 330013 01.12.2024
江西财经大学 财税与公共管理学院,南昌 330013%江西财经大学 信息管理学院,南昌 330013
Subjects
评论立场
图神经网络
rumor detection
语义增强
comment stance
graph neural network
知识图谱
knowledge graph
semantic enhancement
谣言检测
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.2402056

Cover

More Information
Summary:TP391; 社交网络方便人们信息交流的同时也为谣言的传播提供了新的温床.由于社交媒体帖子通常十分精简,大多数基于内容语义特征的谣言检测方法面临着语义信息不足的挑战.同时,目前基于传播特征的谣言检测方法常常忽略了评论用户的个体特征,未能合理分配不同用户评论的权重.因此,提出一种结合文本语义增强和评论立场加权的网络谣言检测方法.通过外部知识图谱获取帖子中的实体和概念的解释,以提供更多上下文信息,从而增强语义理解.借助点互信息将增强后的文本转化为加权图表示,并利用加权图注意力网络学习帖子的增强语义特征.通过预训练的立场检测模型提取帖子中每条评论的立场信息,并根据评论用户的特征来学习立场信息的权重值.将评论立场的时序数据和相应的评论用户序列数据输入跨模态的Trans-former,以学习评论立场的时序特征.将增强的语义特征与加权的评论立场时序特征进行自适应融合,并输入多层感知机中进行分类.在PHEME和Weibo两个数据集上的实验结果表明,该方法不仅准确率高于最先进的基线方法1.6个百分点以上,而且在早期谣言检测方面,比最好的基线方法提前12 h.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.2402056