Modeling Conversation Structure and Temporal Dynamics for Jointly Predicting Rumor Stance and Veraci

李自提

于 2022-07-09 12:48:29 发布

阅读量226

点赞数

分类专栏： it 文章标签：计算机

本文链接：https://blog.csdn.net/weixin_45566993/article/details/125692188

版权

该博客介绍了如何通过建模推特对话结构和时序动态来联合预测谣言的立场和真实性。文章提出了一种层次化多任务学习框架Hierarchical-PSV，其中Conversational-GCN用于立场分类，Stance-Aware RNN捕捉立场的时序变化，以提高预测准确性。实验表明模型在谣言检测中的优越性。

摘要由CSDN通过智能技术生成

🚀 优质资源分享 🚀

学习路线指引（点击解锁）	知识定位	人群定位
🧡 Python实战微信订餐小程序 🧡	进阶级	本课程是python flask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。
💛Python量化交易实战💛	入门级	手把手带你打造一个易扩展、更安全、效率更高的量化交易系统

记录一下，论文建模对话结构和时序动态来联合预测谣言立场和真实性及其代码复现。

1 引言

之前的研究发现，公众对谣言消息的立场是识别流行的谣言的关键信号，这也能表明它们的真实性。因此，对谣言的立场分类被视为谣言真实性预测的重要前置步骤，特别是在推特对话的背景下。

1.1 建模推特对话结构

一些先进的谣言立场分类方法试图模拟Twitter对话的序列属性或时序属性。在本文中，我们提出了一个基于结构属性的新视角：通过聚合相邻推文的信息来学习推文表示。

直观地看，**一条推文在对话束中的邻居比更远的邻居更有信息，因为它们的对话关系更接近，它们的立场表达有助于中心推文的立场进行分类。**例如，在图1中，推文“1”、“4”和“5”是推文“2”的一跳邻居，它们对预测“2”立场的影响较大两跳邻居“3”)。本文用图卷积网络(GCN)来在潜空间中联合表示推文内容和对话结构，它旨在通过聚合其邻居来学习每条推文的姿态特征的特性。本文基于消息传递的方法来利用对话中的内在结构以学习推文表示。

1.2 编码立场时序动态

此外，为了确定人们反应的立场，另一个挑战是我们如何利用公众的立场来准确地预测谣言的真实性。**本文观察到，公众立场的时序动态可以表明谣言的真实性。**图2分别显示了讨论真实谣言、虚假谣言和不真实谣言的推文的立场分布。

正如我们所看到的，支持的立场主导了传播的开始阶段。然而，随着时间的推移，否认针对虚假谣言的推文的比例显著增加。与此同时，询问针对尚未验证谣言的推文的比例也显示出上升趋势。基于这一观察结果，本文进一步提出用RNN来建模立场演化的时序动态，捕获立场中包含立场特征的关键信号，以进行有效的真实性预测。

1.3 联合立场分类和真实性预测

此外，现有的方法大多分别处理立场分类和真实性预测，**这一方式是次优的，它限制了模型的泛化。**如前所示，这两个任务是密切相关的，其中立场分类可以提供指示性线索，以促进真实性预测。因此，联合建模这两个任务可以更好地利用它们之间的相互关系（互相帮助）。

1.4 Hierarchical multi-task learning framework for jointly Predicting rumor Stance and Veracity

基于以上考虑，本文提出了一种层次化的多任务学习框架来联合预测谣言的立场和真实性，从而深度集成了谣言的立场分类任务和真实性预测任务。

本文框架的底部组件通过基于聚合的结构建模，对讨论谣言的对话中的推文的立场进行了分类，并设计了一种为会话结构定制的新的图卷积操作。最上面的组件通过利用立场演化的时间动态来预测谣言的真实性，同时考虑到内容特征和由底部组件学习到的立场特征。两个组件被联合训练，以利用两个任务之间的相互关系来学习更强大的特征表示。

2 模型

2.1 问题描述

考虑一个推特对话束CCC，它由一个源推文t1t1t_1和一些回复推文{t2，t3，⋯，t|C|}{t2，t3，⋯，t|C|}{ { t_2，t_3，\dots，t_{|C|} }}直接或间接响应t1t1t_1，此外每个推文t1(i∈[1，|C|])t1(i∈[1，|C|])t_1 (i \in [1，|C|])表达了它对谣言的立场。对话束C是一个树状结构，其中源tweet t1t1t_1是根节点，而推文之间的回复关系构成了edges。

本文主要关注两个任务：第一个任务是谣言立场分类，其目的是确定CCC中每条推文的立场，属于{supporting,denying,querying,commenting}{supporting,denying,querying,commenting}{supporting, denying, querying, commenting} 第二个任务是预测谣言的真实性，目的是确定谣言的真实性，属于{true,false,unverified}{true,false,unverified}{true, f alse, unverif ied}。