论文阅读笔记：Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks

最新推荐文章于 2023-10-28 16:12:33 发布
最新推荐文章于 2023-10-28 16:12:33 发布
阅读量1.8k 收藏 4
点赞数 1
分类专栏： 社交网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/YPP0229/article/details/108483385
版权

这篇论文好像是第一篇将图神经网络应用到社交媒体谣言检测的论文。

摘要

摘要中，有几个关键性的词，有助于我们从全局了解这篇paper的内容，以下：

  • Bi-Directional：意思是“双向的”，分别指“top-down”，“down-top”；
  • top-down：指的是谣言自顶向下传播（propagation）；
  • “down-top”：指的是谣言
    在这里插入图片描述
模型
  • 采用了two-layer 1stChebNet

在这里插入图片描述

实验用到的数据集
  • Weibo(2016)
  • Twitter15()
  • Twitter16(201)
麦地与诗人
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Rumor Detection on Social Media with Bi-Directional Graph 代码
10-28
Rumor Detection on Social Media with Bi-Directional Graph 论文的代码
谣言检测论文阅读 - Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
qq_40671063的博客
01-04 1820
谣言检测论文阅读 - Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
【论文解读 AAAI 2020 | Bi-GCN】Rumor Detection on Social Media with Bi-Directional GCN
byn12345的博客
06-11 1万+
论文题目：Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks 论文来源：AAAI 2020 清华大学, 腾讯AI 论文链接：https://arxiv.org/abs/2001.06362 代码链接：https://github.com/TianBian95/BiGCN 关键词：谣言检测，社交媒体，GCN 文章目录1 摘要2 引言3 Preliminaries4 Bi-GCN谣言检测模型5 实验.
Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
qq_45102874的博客
10-28 268
利用双向图卷积网络对社交媒体上的谣言进行检测
谣言检测论文分享（一）
weixin_41964296的博客
03-26 1576
传统方法：主要采用用户特征、文本内容和传播模式等手工特征来训练有监督的分类器。如，决策树，随机森林，SVM等。然而，这些方法主要依赖于特征工程，非常耗时耗力。此外，这些手工设计的特征通常缺乏从谣言传播和散布过程中提取的更高层的表示。近期研究：利用了深度学习方法，从传播路径/树或网络中挖掘高级表示来识别谣言。许多深度学习模型，如长短期记忆（LSTM）、门控递归单元（GRU）和递归神经网络（RvNN）被使用，因为它们能够从谣言的时间传播中学习顺序特征。
虚假新闻检测论文阅读（九）：Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
weixin_43421371的博客
10-25 672
论文题目：Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks论文来源：AAAI 2020 清华大学。
Rumor Detection on Social Media with Bi-Directional Graph pdf
最新发布
10-28
Rumor Detection on Social Media with Bi-Directional Graph 论文
论文《End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF》的代码实现
07-03
论文《End-to-end Sequence Labeling via Bi-directional LSTM-CNNs-CRF》的代码实现
论文研究-Target-specific Convolutional \ Bi-directional LSTM Neural Network for \Political Ideology Analysis.pdf
08-21
基于卷积和双向长时间记忆网络的政治意识形态分析，李喜莲，陈薇，基于文本的政治意识检测在识别政治家对于很多事件的意识形态问题方面扮演着重要的角色。意识形态检测的两个关键问题是,如何提取��
4-Switch Buck-Boost Bi-directional DC-DC Converter
05-23
4-Switch Buck-Boost Bi-directional DC-DC Converter buck-boostDC-DC buck-boostDC-DCDC-DC buck-boostDC-DC buck-boostPMP21529 buck-boost buck-boost buck-boost buck-boost buck-boost buck-boostDC-DC ...
谣言检测基本知识
qq_45193988的博客
05-23 2393
文章目录前言一、谣言的定义二、谣言的分类三、谣言传播公式1、网络剪枝（Network Pruning）2、知识蒸馏（Knowledge Distillation）3、参数量化（Parameter Quantization）4、架构设计（Architecture Design）5、动态计算(Dynamic Computation)总结 前言    简单记录一下有关谣言检测的基本知识 一、谣言的定义     谣言，学术上所说的谣言指的是未经证实的言论（这和我们普遍意义上理解的，谣言是虚假的信息不同）
谣言检测论文（二）
weixin_41964296的博客
03-21 1038
动态信息传播结构动态图卷积网络融合时序模块进行谣言检测
双向卷积神经网络_【清华腾讯-AAAI2020】双向图卷积神经网络谣言检测，Rumor Detection on Social Media with Bi-Directional Graph Conv...
weixin_39678451的博客
12-18 1236
题目双向图卷积神经网络谣言检测，Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks关键字双向图卷积神经网络，社交媒体节点图，谣言检测，深度学习，图模型简介社交媒体以其传播新信息的特性在公众中得到了迅速的发展，导致了信息的传播。与此同时，在社交媒体上从如此海量的信息中发现谣言正成为一个巨大的...
请查收！顶会AAAI 2020录用论文之自然语言处理篇
热门推荐
语言智能技术笔记簿
02-23 1万+
2020年人工智能顶级会议AAAI录用的自然语言处理领域的研究论文已为您准备就绪，请查收！
图论文快讯|AAAI2020图相关论文合集，涉及各个方面
fengdu78的博客
01-21 5225
论文快讯整理：AIGraphAAAI 2020 图相关的论文很多，涵盖了图相关研究的方方面面，小编将图相关的论文整理如下，需要的童鞋们可以自取。如果你对其中的论文感兴趣，欢迎加入我们的图...
谣言检测常用资料
麦地与诗人
11-05 1956
全连接层 全连接层、softmax的loss ：https://blog.csdn.net/u014380165/article/details/77284921
fake news相关 2019-2020 五篇论文阅读
byn12345的博客
07-02 3938
创新点、改进点、实验用到的数据集、不足 文章目录1 Bi-GCN数据集本文的亮点和要点思考2 Capturing the Style of Fake News数据集已有方法的问题本文的亮点和要点思考3 WeFEND数据集已有方法的不足文章的亮点和要点思考4 Proactive Discovery of Fake News Domains from Real-Time Social Media Feeds数据集文章的亮点和要点思考5 dEFEND数据集本文的亮点和要点思考References 1 Bi.
Graph Convolutional Networks with Argument-Aware Pooling for Event Detection[AAAI 2018]阅读笔记
SZ-crystal
08-15 2271
论文题目：Graph Convolutional Networks with Argument-Aware Pooling for Event Detection 论文出处：AAAI 2018 论文地址：https://ix.cs.uoregon.edu/~thien/pubs/graphConv.pdf 论文概要 该论文提出一个基于句法依存树的图卷积（Graph Convolutional Ne...
Bi-Directional ConvLSTM U-Net的重难点
04-27
Bi-Directional ConvLSTM U-Net是一种深度学习模型，其主要难点包括以下几个方面： 1. 双向ConvLSTM的设计：Bi-Directional ConvLSTM是一种特殊的LSTM结构，其能够同时考虑时间序列的正向和反向信息，但是如何设计这样的结构并保证其有效性是一个难点。 2. U-Net的特征融合：U-Net是一种编码器-解码器结构，其可以有效地提取图像特征并进行分割，但是如何将双向ConvLSTM的特征有效地融合到U-Net中是一个难点。 3. 模型训练的稳定性：深度学习模型通常需要大量的数据和计算资源进行训练，但是Bi-Directional ConvLSTM U-Net在训练过程中容易出现梯度消失或爆炸的问题，如何保证模型训练的稳定性也是一个难点。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值