基于循环生成对抗网络和Wasserstein损失的谣言检测研究

作     者：张洪志 但志平 董方敏 高准 张岩珂 Zhang Hongzhi;Dan Zhiping;Dong Fangmin;Gao Zhun;Zhang Yanke

作者机构：三峡大学湖北省水电工程智能视觉监测重点实验室宜昌443002 三峡大学计算机与信息学院宜昌443002 

出 版 物：《数据分析与知识发现》 (Data Analysis and Knowledge Discovery)

年 卷 期：2024年第8卷第7期

页      面：32-43页

核心收录：

学科分类：1205[管理学-图书情报与档案管理] 12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 120502[管理学-情报学] 081201[工学-计算机系统结构] 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(项目编号:U1703261)的研究成果之一 

主　　题：谣言检测 循环生成对抗网络 Wasserstein损失 

摘      要：【目的】通过循环生成对抗网络和Wasserstein距离改进的生成损失,利用对抗训练提高谣言检测模型在数据样本不平衡、非配对情况下的稳定性和精确度。【方法】利用生成器和判别器之间的对抗训练实现谣言判别模型的增强。在生成训练过程中引入循环一致性损失和识别损失以实现生成目标的可控性,并使用Wasserstein距离改进模型生成损失,提高生成器的引导效果的同时避免对抗网络训练过程中可能出现的梯度爆炸的问题。【结果】在不平衡谣言数据集PHEME上,所提模型准确率达到0.8698,F1值达到0.8550,与基准模型相比,分别提高了0.0068和0.0180。【局限】基于循环生成对抗网络的谣言检测模型只有两个生成器,因此只能实现两种类别样本的转换,只适用于二分类的谣言检测模型,对于多分类谣言检测任务则无法应用。【结论】使用Wasserstein距离改进生成损失的循环生成对抗网络可以有效提升谣言检测模型在数据不平衡情况下的谣言检测能力。