基于多示例学习的谣言验证与立场检测弱监督传播模型
计算与语言
2022-04-28 v2 人工智能
摘要
微博上谣言的扩散通常遵循传播树结构,为原始消息如何随时间被用户传播和回应提供了宝贵线索。近期研究揭示,谣言检测与立场检测是两项不同但相关的任务,可相互增强,例如谣言可通过交叉核查相关微博帖子所传达的立场来辟谣,而立场也取决于谣言的性质。然而,大多数立场检测方法需要大量的帖子级立场标签用于训练,在帖子数量庞大时费时费力。受多示例学习(MIL)方案启发,我们首先以自底向上和自顶向下的树表示声明的扩散,然后提出两种树结构弱监督框架来联合分类谣言与立场,其中仅需关于声明真实性的包级标签。具体而言,我们将多分类问题转化为多个基于 MIL 的二分类问题,其中每个二分类模型专注于区分目标立场或谣言类型与其他类型。最后,我们提出一种层次化注意力机制来聚合二分类预测,包括 (1) 自底向上或自顶向下的树注意力层将二分类立场聚合为二分类真实性;以及 (2) 判别注意力层将二分类聚合为更细粒度类别。在三个基于 Twitter 的数据集上进行的大量实验表明,与 SOTA 方法相比,我们的模型在声明级谣言检测和帖子级立场分类上均表现出良好性能。
引用
@article{arxiv.2204.02626,
title = {A Weakly Supervised Propagation Model for Rumor Verification and Stance Detection with Multiple Instance Learning},
author = {Ruichao Yang and Jing Ma and Hongzhan Lin and Wei Gao},
journal= {arXiv preprint arXiv:2204.02626},
year = {2022}
}
备注
Accepted by SIGIR 2022