一种基于动态异构图的谣言检测模型

作     者：朱文龙 陈羽中 饶孟宇 ZHU Wenlong;CHEN Yuzhong;RAO Mengyu

作者机构：福州大学计算机与大数据学院福州350116 福建省网络计算与智能信息处理重点实验室福州350116 

出 版 物：《小型微型计算机系统》 (Journal of Chinese Computer Systems)

年 卷 期：2024年第45卷第2期

页      面：319-326页

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61672158,61972097,U21A20472)资助 福建省科技重大专项专题项目(科教联合)(2021HZ022007)资助 福建省高校产学研合作项目(2021H6022)资助 福建省自然科学基金项目(2020J01494)资助 

主　　题：谣言检测 多级注意力 异构传播图 图神经网络 时序注意力 

摘      要：随着互联网技术和自媒体行业的快速发展,人们可以方便快捷地从社交媒体中获取最新信息,但也让更多的谣言在网络中盛行.现有谣言检测模型多从文本内容、用户信息和传播模式中挖掘有效特征.然而,现有模型未充分学习文本的语义信息和谣言传播过程中的结构信息,并忽略了谣言传播的动态过程.针对上述问题,本文提出一种基于动态异构图的谣言检测模型DHGNN(Dynamic Heterogeneous Graph Neural Network).首先,为了增强帖子的文本语义表示,本文提出一种多级注意力网络,引导模型关注源帖子和相应评论中关键的词和句子,充分学习源帖与相应评论之间的语义关联.其次,引入了基于异构图的图神经网络,通过对异构传播图中的用户、帖子节点和转发(或评论)关系进行建模,为不同类型的节点和边生成特定的表示,充分学习异构传播图中的结构信息.最后,提出一种基于旋转记忆单元的时序注意力,分别为每个异构传播图快照建立记忆,捕获谣言动态传播的演化模式.在Twitter15、Twitter16数据集上的实验结果表明,DHGNN模型的性能优于最新的对比模型.