一种融合传播结构的统一对比迁移框架用于提升低资源谣言检测

真相被随突发新闻或热门话题传播的海量谣言严重阻碍。由于从同一领域收集了充足语料用于模型训练，现有谣言检测算法在“昨日新闻”上表现良好。然而，因缺乏大量训练数据与先验专家知识，它们难以识别涉及未知事件的谣言，尤其是以不同语言传播的谣言（即低资源场景）。本文提出一种统一对比迁移框架，通过将资源充足谣言数据所学特征适配至仅含少样本标注的低资源数据来检测谣言。更具体地，我们首先将社交媒体上传播的谣言表示为无向拓扑以增强用户观点交互，随后通过统一对比范式训练多尺度图卷积网络，同时从帖子语义与传播结构中挖掘有效线索。我们的模型借助语言对齐与一种新颖的领域自适应对比学习机制，显式打破了领域和/或语言问题的壁垒。为利用少量标注目标事件很好地泛化表示学习，我们揭示谣言指示信号与这些事件分布的均匀性密切相关。我们设计了一种目标级对比训练机制，配合三种事件级数据增强策略，能够通过区分目标事件来统一表示。在来自真实微博平台的四个低资源数据集上的大量实验表明，我们的框架比最先进方法性能更优，并展现出在早期阶段检测谣言的卓越能力。