谣言检测论文精度——14.2019-Jointly embedding the local and global relations of heterogeneous graph

这篇文章解决的问题

作者认为，之前的工作都将源推文独立的建模， 而没有考虑不同节点之间的影响，所以没有很好的表示出不同节点之间的关系

作者如何解决这个问题的

作者提出了一个全局-局部的注意力网络（GLAN来检测谣言），编码局部的语义信息和全局的结构信息，模型如下图所示：

作者先用多头自注意力机制，利用推文和转发推文来编码局部语义信息，再将得到的语义信息和用户信息构建出一个异构图，借助注意力机制得到全局编码表示。
1）Local Context Representation
这部分就是编码原推文和转发推文之间的关系，图中红色圈圈的部分，最后的结果是m~

①首先，作者使用注意力机制定义转发推文的特征表示，公式如下：

②然后利用交叉注意力计算原推文和转发之间的联系：用原推文m作为K，去计算得到每一个转发推文R的注意力分数s，然后利用该分数聚合转发推文形成新的文本的表示r，公式如下：

③然后原推文就有了两个表示，m和s，为了知道哪个特征表示更重要，作者使用了一个融合门：

2）Global Relation Encoding
全局信息其实就是编码m~和u之间的关系，m~是上面通过局部编码得到的推文的特征表示，u就是用户，这两种节点形成了一个异构图，模型图的右下部分就是

①首先是表示两种节点

其中m0和u0是通过梯度动态变化的，m~和uf是固定的值

②然后将两个节点转化到相同语义空间

Wm和Wu是可学习参数

③计算注意力机制
图中一共两种关系：以用户为中心的关系和以推文为中心的关系，为了将两种关系信息编码到全局信息中，采用如下注意力机制：

④采用多头注意力以捕获不同关系的更多特征表示

详细算法步骤如下：
输入图，得到节点的潜在特征表示

3）Rumor Classification
利用得到的局部和全局特征来分类

然后利用交叉熵损失优化

这个问题的解决有什么亮点，局限

这是第一个采用异构网络建模全局结构特征和局部语义信息的模型，将各个推文整合到一起，相互作用，而不是单独建模。
作者没有考虑每一个用户的特征，即节点自身的表示对谣言的影响，只对推文和转发推文文本建模，而忽略了对推文图像特征的特征表示。