基于图网络结构的谣言检测模型研究
作者单位：南京邮电大学
学位级别：硕士
导师姓名：宋玉蓉
授予年度：2023年
学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081203[工学-计算机应用技术] 08[工学] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）]
摘 要：随着互联网技术的快速发展和移动设备的广泛使用,微博、Facebook等一批在线社交媒体,逐渐成为大众信息消费的主要载体。社交媒体平台的开放性和便捷性为人们提供了自由表达的空间,但这也间接为虚假信息的传播提供了理想场所。谣言的传播不仅会误导公众思想,甚至会破坏整个社会的稳定。因此,如何快速且准确地自动检测社交媒体上的谣言,受到国内外研究学者的广泛关注。目前国内外谣言检测的研究主要从帖子的文本内容、用户信息、消息的传播结构着手,并利用机器学习和深度学习算法进行建模和编码,进而辨别谣言。但是社交媒体中的帖子长度短、噪声大,且帖子内容和用户属性存在虚假信息,很难确定某个信息的真实性和可信度,因此仅考虑内容信息或用户信息可能无法提取有效信息,从而限制模型的检测性能;而现有的基于传播结构的谣言检测工作,要么在建模层面没有能够构建符合实际传播过程的结构,忽略了很多重要信息,要么在编码层面模型本身存在缺陷,无法提取更为有效的特征识谣言。针对以上问题,本文基于消息的传播结构,从建模和编码两个角度出发,提出了两种新的谣言检测模型。本文的主要贡献包括:(1)考虑到现有基于传播图的谣言检测模型主要利用图神经网络盲目聚合邻居节点的信息,无法过滤与事件无关的节点,且存在过平滑问题,本文提出了一种基于图指针网络的谣言检测模型。该模型首先根据转发或评论关系构建一张无向传播图并对其初始化;其次采用宽度优先搜索算法从源贴节点开始采样,得到一个节点序列;然后利用图卷积网络提取传播图中各节点的局部结构特征;接着利用指针网络从节点序列选择与源贴内容最相关、最有价值的节点,得到新的节点序列,然后对该序列采用一维卷积和池化操作来捕获事件的高层语义特征;最后,结合源贴节点的初始化特征、局部结构特征以及高层语义特征作为事件的最终表征,进行谣言检测。(2)考虑到现有的谣言检测模型大多将每个事件看成独立的个体,仅考虑事件内部的局部信息,忽略了事件在社交媒体中的全局结构关系,本文提出一个具有时序信息的事件-用户异质图,能够同时反映事件内部信息以及事件与事件之间关联。本文将事件以及相关用户抽象为网络中两种不同类型的节点,并根据用户对事件的参与情况(用户对事件中的帖子存在转发或评论的行为),建立用户节点与事件节点的连边关系。另一方面,在每个事件内部又包含一条源贴和一系列响应贴。本文根据响应贴在源贴发布后的时间延迟,将响应贴构建为时间序列,这样每条源贴就对应一个响应序列。最终将消息的传播构建为一个具有时序信息的事件-用户异质图。(3)本文在事件-用户异质图的基础上,提出一种时序感知的异质图神经谣言检测模型,旨在挖掘社交媒体事件中复杂多样的特征用于识别谣言。该模型通过位置编码建模事件内部响应贴之间的时序关系,并利用多头注意力机制关注重要的响应贴,然后利用图注意力机制的聚合函数融合源贴和响应贴,得到事件的局部时序表征;接着基于用户与事件之间的交互关系,利用元素级注意力机制学习事件的全局结构表征;最后将两种特征表示拼接用于谣言分类。(4)本文在Twitter15、Twitter16和Weibo 3个真实场景的数据集上进行实验,并将本文提出的两种模型与其他模型进行比较,采用准确率、精确率、召回率以及F1值作为评价标准进行实验评估。实验包括谣言检测实验、消融实验、早期检测实验、过平滑分析、参数分析等。实验结果证明本文提出的两种模型在谣言检测和早期检测方面均优于当前同类主流模型。
同方学位论文库