转载----Majing谣言检测成果

• 第一篇《Detect Rumors Using Time Series of Social Context Information on Microblogging Websites》
  由于谣言检测模型只是对用户信息，模式传播和文本内容进行建模，忽略了时间的变化这一信息。作者提出了一种DSTS模型。
• 第二篇《Detecting Rumors from Microblogs with Recurrent Neural Networks》
  作者使用了循环神经网络对谣言进行建模，使用TFIDF对词语进行建模，随后使用RNN模型。
• 第三篇《Detect Rumor and Stance Jointly by Neural Multi-task Learning》使用了联合学习的方法，对立场和谣言文本一起学习，从而得到结果
• 第四篇《Detect Rumors in Microblog Posts Using Propagation Structure via Kernel Learning》
  从传播模式入手，使用核学习树对推特进行建模，然后使用对比非谣言和谣言的核学习树来分析出是否是谣言。
• 第五篇《Rumor Detection on Twitter with Tree-structured Recursive Neural Networks》
  使用了递归神经网络对推特树进行建模，其中使用了自顶向下和自底向上（上指代root），相比对于核学习的方法，这个方向不需要比较。
• 第六篇《Detect Rumors on Twitter by Promoting Information Campaigns with Generative Adversarial Learning》
  使用了生成对抗网络来学习判别器以此来检测谣言，主要地是使用了两个生成器，基于一个seq2seq框架把非谣言生成谣言，谣言生成非谣言来迷惑判别器使得判别器强大以提高准确度。
• 第七篇《Sentence-Level Evidence Embedding for Claim Verification with Hierarchical Attention Networks》
  使用了层次注意力机制，每个推特有对应的新闻来源，第一个注意力机制是注意到哪条新闻来源有用，第二个注意力机制注意新闻中的哪个句子有用。

原文链接：【自然语言处理】谣言检测小结