谣言检测论文（二）

已于 2023-04-14 10:57:08 修改
阅读量1.1k 收藏 12
点赞数 2
分类专栏： 假新闻检测 文章标签： 深度学习 人工智能 自然语言处理
于 2023-03-21 09:16:50 首次发布
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/weixin_41964296/article/details/129662762
版权
本文提出了一种名为DDGCN的新方法，用于在社交媒体上检测谣言。DDGCN结合了动态事件图卷积网络和用户交互图卷积网络，捕捉消息传播的结构和时间信息，以及知识图谱的动态性。通过时间融合单元，模型能更好地学习动态事件表示和知识表示，从而提高谣言检测的准确性。实验表明，DDGCN在两个数据集上优于其他基线方法，尤其在早期谣言检测方面表现出色。
摘要由CSDN通过智能技术生成

论文分享之

DDGCN: Dual Dynamic Graph Convolutional Networks for

Rumor Detection on Social Media

Mengzhu Sun , Xi Zhang , Jiaqi Zheng , Guixiang Ma
The Thirty-Sixth AAAI Conference on Artificial Intelligence (AAAI- 22) <
了解本专栏 订阅专栏 解锁全文 超级会员免费看
weixin_41964296
关注
专栏目录
订阅专栏
谣言检测论文分享（四）
weixin_41964296的博客
04-14 925
社交媒体网站助长了各种假新闻，其中通常包含虚假甚至伪造的多媒体内容，以误导读者，迅速传播，因此，有必要和迫切地需要使用自动检测器，以防止假新闻造成严重的负面影响，使用户获得真实的信息。假新闻检测任务可以定义为一个二元分类问题，旨在将社交媒体上的声明分类为假新闻或非假新闻。在社交媒体假新闻检测社区中有两种类型的声明：帖子级（post）工作识别社交媒体的一个帖子是否为假新闻，而事件级（event）工作对构成事件的一组帖子进行假新闻检测。模型的目标是在post级别上识别一个帖子是否是假的。
ACL 2020 论文——谣言检测_FakeNewsDetection_目标检测_GCAN_谣言_谣言检测_
10-01
本文解决了在更现实的社交媒体场景下的假新闻检测问题。给定源短文本推文和相应的没有文本评论的转发用户序列，我们的目的是预测源推文是否是假的，并通过突出可疑转发者的证据和他们关注的词语来产生解释。为了实现...
谣言检测论文分享（一）
weixin_41964296的博客
03-26 1858
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。
谣言检测相关论文阅读笔记：DDGCN: Dual Dynamic Graph Convolutional Networks for Rumor Detection on Social Media
yxx35AN的博客
02-02 1736
谣言检测相关论文阅读笔记：DDGCN: Dual Dynamic Graph Convolutional Networks for Rumor Detection on Social Media
立场检测stance detection
xxr233的博客
01-19 8103
stance detection，可理解为“立场检测”，stance即为人对个体、事物、事件所表现出的看法或者态度，如“支持、反对”。stance detection虽然也属于文本分类，但和基于主题的文本分类、情感分类有些差异，stance的表达是更隐晦的，因此分类难度更大。 刚看到一篇关于立场检测的文章，一搜2019ACM上已经出了综述，故看看顺便记录一下。 摘要：从自然语言文本中自动提取语义信息是一个重要的研究问题。随着在社交媒体网站、新闻门户网站和论坛等渠道人们可以自由方便地发表自己的言论，解决诸如情
微博立场检测 60分Baseline
mathor的博客
03-16 2086
AI研习社最近举办了一个比赛——微博立场检测，实际上就是一个NLP文本分类的比赛 Baseline—FastText 我的Baseline方法用的是pkuseg分词+FastText，最好成绩是60，下面是我几次提交的得分截图 Load Data & Preprocess 先import之后要用到的库 import pkuseg import random import pandas ...
微博立场检测实战
xxr233的博客
01-21 1403
数据 数据来源：一个比赛 数据格式如下图所示：五个target，三个stance,文本是微博 1.导入必要的库 import pandas as pd from sklearn.feature_extraction.text import TfidfVectorizer from sklearn.model_selection import StratifiedKFold from sklearn.naive_bayes import MultinomialNB from sklearn.me
【论文分享】ACL 2020 立场检测相关研究
zenRRan的博客
08-24 4166
引言从自然语言文本中自动提取语义信息是许多实际应用领域中的重要研究问题。尤其是在最近通过社交媒体网站，新闻门户网站和论坛等渠道在线发布内容之后；大量相关的科学出版物揭示了诸如情感分析，嘲...
利用社会参与攻击假新闻检测器论文
01-03
利用社会参与攻击假新闻检测器论文 本文探讨了一个重要的研究方向，即攻击假新闻检测器的社会参与攻击方法。随着社交媒体平台上新闻消费的日益普及，假新闻和虚假信息的蔓延也在增加。为了检测和预防假新闻，研究...
基于文本的融合神经网络用于谣言检测
04-09
因此，该论文主要关注事件级别的谣言检测问题，将微博视为一个时间序列，并尝试通过文本分析来验证对谣言的辟谣效果。 在模型构建部分，首先作者提出了一种新的数据处理算法。该算法通过无权重平均操作计算内容向量...
本科毕业设计论文-中文谣言检测.zip
08-04
在本篇本科毕业设计论文——“中文谣言检测”中，主要探讨了如何利用现代信息技术对中文网络谣言进行识别和防范。这项研究具有重要的现实意义，因为随着社交媒体的普及，网络谣言的传播速度加快，对社会舆论环境和...
毕业设计论文-中文谣言检测.zip
07-28
毕业设计论文-中文谣言检测.zip
文献阅读十——Detect Rumors on Twitter by Promoting Information Campaigns with Generative Adversarial Learn
qq_45193988的博客
07-14 911
使用GAN进行谣言检测
谣言检测论文精读——4.WWW2019-Detect Rumors on Twitter by Promoting Information Campaigns with GAN
m0_51474171的博客
09-17 846
分析表明，谣言的广泛传播通常是故意宣传的宣传活动的结果，这些宣传活动旨在形成对相关新闻事件的集体意见。在本文中，我们尝试与自身对抗这种混乱，以使自动谣言检测更加稳健和有效。我们的想法受到源自生成对抗网络（GAN）的对抗学习方法的启发。我们提出了一种 GAN 风格的方法，其中生成器旨在产生不确定或冲突的声音，使原始对话线程复杂化，以迫使鉴别器从增强的、更具挑战性的示例中学习更强的谣言指示表示。谣言制造者可以利用宣传活动来纠缠公众舆论或影响集体立场，以使其广泛传播和放大。
DDGCN: Dual Dynamic Graph Convolutional Networks for Rumor Detection on Social Media
weixin_46226815的博客
04-22 390
DDGCN: Dual Dynamic Graph Convolutional Networks for Rumor Detection on Social Media
基于深层结构学习的twitter谣言检测
heartxq的博客
08-13 964
Deep Structure Learning for Rumor Detection on Twitter，Qi Huang，2019（IJCNN） 主要内容 考虑用户关系网络的结构特征，使用GCN学习用户行为中存在的图形结构信息。 三个结构：用户编码器、传播树编码器、集成器。 问题描述 事件集 每个事件集中包含【帖子集合、用户集合】 帖子集合根据转发回复关系生成传播树 用户集合形成一个图 模型介绍 用户编码器 结合了之前的用户特征(如粉丝数量、粉丝数量和注册年龄），加入了用户行为信息（通过.
ChatGPT推出后，立场检测技术将如何发展?
weixin_41964296的博客
03-28 4001
立场检测是指在给定文本中提取对目标的立场(支持、反对或都不支持)的任务。随着社交媒体内容的扩散，这类研究受到了越来越多的关注。传统的立场检测框架是将其转化为文本分类任务。在解决此类问题方面，深度学习模型已经取代了基于规则的模型和传统的机器学习模型。当前的深度神经网络面临着社交媒体帖子中标注数据和信息不足以及深度学习模型难以解释的两个主要挑战。一个新的预训练语言模型chatGPT于2022年11月30日发布。
【论文解读 ICMR 2020 | KMGCN】Fake News Detection via Knowledge-driven Multimodal GCN
byn12345的博客
07-23 4949
论文题目：Fake News Detection via Knowledge-driven Multimodal Graph Convolutional Networks 论文来源：ICMR 2020 论文链接：https://doi.org/10.1145/3372278.3390713 关键词：假新闻检测；多模态；知识；图卷积 文章目录1 摘要2 引言3 方法3.1 问题定义3.2 整体框架3.3 知识蒸馏3.4 多模态内容的图构建3.5 知识驱动的多模态图卷积网络（KMGCN）4 实验4.1 实验.
深度学习经典模型之LeNet-5
最新发布
weixin_43775295的博客
11-05 383
​ LeNet-5是由LeCunLeCunLeCun提出的一种用于识别手写数字和机器印刷字符的卷积神经网络（Convolutional Neural Network，CNN）1^{[1]}1，其命名来源于作者LeCunLeCunLeCun的名字，5则是其研究成果的代号，在LeNet-5之前还有LeNet-4和LeNet-1鲜为人知。
基于GCAN模型的社交媒体谣言检测研究
资源摘要信息:"本文是一篇关于谣言检测的研究论文，题为'ACL 2020 论文——谣言检测_FakeNewsDetection_目标检测_GCAN_谣言_谣言检测'。在文章中，作者针对社交媒体环境下假新闻检测的问题进行了探讨，并提出了一种...
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

打赏作者

weixin_41964296

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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