关注谣言：基于深度注意力的循环神经网络用于早期谣言检测
计算与语言
2017-04-21 v1 社会与信息网络
摘要
社交媒体在交流与信息传播中的泛滥使其成为传播谣言的理想平台。在谣言扩散阶段自动揭穿谣言被称为\textit{早期谣言检测}，即处理随时间具有特定变异和高度文本重复的关于争议性事实声明的顺序帖子。因此，识别趋势性谣言需要一种高效且灵活的模型，能够捕捉帖子间的长距离依赖并产生用于准确早期检测的差异化表示。然而，将传统分类算法应用于早期谣言检测是一项挑战，因为它们依赖手工特征，在大量帖子情况下需要密集的人工努力。本文提出一种基于循环神经网络 (RNN) 的深度注意力模型，以学习顺序帖子的\textit{选择性}时间隐藏表示来识别谣言。所提模型将软注意力融入循环过程，同时汇集具有特定关注点的差异化特征，并生成捕捉相关帖子随时间上下文变化的隐藏表示。在从社交媒体网站收集的真实数据集上的大量实验表明：(1) 基于深度注意力的RNN模型优于依赖手工特征的现有最优方法；(2) 软注意力机制的引入可提前从原始帖子中有效提炼与谣言相关的部分；(3) 所提方法比对比方法更快速准确地检测谣言。
引用
@article{arxiv.1704.05973,
title = {Call Attention to Rumors: Deep Attention Based Recurrent Neural Networks for Early Rumor Detection},
author = {Tong Chen and Lin Wu and Xue Li and Jun Zhang and Hongzhi Yin and Yang Wang},
journal= {arXiv preprint arXiv:1704.05973},
year = {2017}
}
备注
9 pages