虚假新闻检测论文阅读(六):A Deep Learning Model for Early Detection of Fake News on Social Media

论文标题:A Deep Learning Model for Early Detection of Fake News on Social Media
日期:IEEE2020

#半监督#伪标签#可信度评估

一、基本内容

训练一个有监督模型和一个无监督模型,但是该工作不仅利用了新闻内容信息,还利用了用户对新闻的评论信息以及作者的可信度信息,使用的信息更为广泛,从而取得了更好的效果。

二、主要工作

(1)建立一个模型提取用户在评论中表达的观点;
(2)使用CredRank算法评估用户的可信度;
(3)建立一个参与新闻传播的用户的小网络。
以上三个步骤的输出作为新闻分类器SSLNews的输入,SSLNews由三个网络组成:共享的CNN、无监督的CNN和有监督的CNN。

三、模型框架

四个模块:意见提取模块、用户可信度评估模块、用户网络构建模块和分类器
在这里插入图片描述
提取 回复 和 用户特征,回复 用作 意见提取块的输入,用户特征 用作 可信度评估和网络构建块的输入。将意见提取块的输出和可信度评估块的输出连接起来,连接结果和网络N用作分类器SSLMEWS的输入。

1. Opinion extraction
在这里插入图片描述

使用GloVe作为网络的嵌入层,使用tanh作为激活函数。

这一网络的输出评论中表示的意见:1——作者同意给定的推文,0——不同意。

使用Sentiment140训练模型。

2. User’s credibility assessment
使用论文【M. A. Abbasi and H. Liu, “Measuring user credibility in social media,” International Conference on Social Computing, Behavioral-Cultural Modeling, and Prediction, pp. 441-448, 2013】中的(即CredRand算法)模型评估用户可信度。

研究基于用户的特征:
(1)用户账户是否是经过验证的账户;
(2)用户发布的状态数量;
(3)用户的地理定位是否启用;
(4)用户的粉丝数;
(5)用户关注的用户数量。

找到具有相似特征的用户,使用分层聚类方法将相似的用户聚合,用 s i m ( u i , u j ) = σ ( C ( u i ) , C ( u j ) ) sim(u_i,u_j )=σ(C(u_i ),C(u_j)) sim(ui,uj)=σ(C(ui),C(uj))确定相似性( C ( u i ) C(u_i ) C(ui)表示用户特征)。

在我们的模型中,使用Jaccard相似度评估用户之间的相似度: s i m ( u i , u j ) = ( C ( u i ) ∩ C ( u j ) ) / ( C ( u i ) ∪ C ( u j ) ) sim(u_i,u_j )=(C(u_i)∩C(u_j))/(C(u_i)∪C(u_j)) sim(ui,uj)=(C(ui)C(uj))/(C(ui)C(uj))。如果相似度超过阈值 t a u tau tau t a u tau tau的值因域而异),则使用上述方法将相似用户聚集在一起。

使用以下公式分配集群的权重: ω C i = ∣ C i ∣ ∑ j ∣ C j ∣ ωC_i ={{\sqrt{|C_i |}}\over{∑_j \sqrt{|C_j |}}} ωCi=jCj Ci ,该值表示可信度与成员相关联。

3. User’s network
只考虑发布相关新闻文章n推文的用户的粉丝。网络构建的算法:
在这里插入图片描述
U p U_p Up表示发表有关新闻n推文的用户的向量, U r U_r Ur表示回复推文的用户的向量。算法复杂度为 O ( x 2 ) O(x^2) O(x2)

4. SSLNews
在这里插入图片描述
x i x_i xi是输入,是之前三个网络(1、2、3)输出结果的连接。标签 y i y_i yi仅存在于标记的输入中,仅仅对于这些输入计算交叉熵损失 l i l_i li x i x_i xi的预测标签是 y i ′ y_i^{'} yi l i l_i li l i ′ l_i^{'} li的优化权重为 w ( t ) w(t) w(t)

共享CNN的前三个卷积层包含128(3×3)个滤波器,其他三个层包含256(3×3)个滤波器。无监督和有监督CNN的层都使用512(3×3)个滤波器、256(3×3)个滤波器和128(3×3)个滤波器。一个(2×2)最大池化用于所有池化层。
L o s s = − 1 ∣ B ∣ ∑ i ∈ B ∩ S l o g f s o f t m a x ( z i ) [ y i ] + w ( t ) ∗ 1 C ∣ B ∣ ∑ i ∈ B ∣ ∣ z i − z i ′ ∣ ∣ 2 Loss=-{1\over |B|} ∑_{i∈B∩S}{logf_{softmax}(z_i )[y_i ] }+{w(t)}*{1\over C|B| }∑_{i∈B} {||z_i-z_i^{'} ||}_2 Loss=B1iBSlogfsoftmax(zi)[yi]+w(t)CB1iB∣∣zizi∣∣2
B表示学习过程中的微批量处理,S表示标记的输入集。

四、数据集

现实公开数据集:Politifact和Gossipcop

  • 0
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“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

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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