使用特征间与特征内注意力网络的可解释谣言检测
社会与信息网络
2020-07-23 v1 计算与语言
摘要
随着社交媒体变得无处不在，来自该媒体的信息消费也随之增加。然而，伴随这一增长出现的严重问题之一是谣言的传播。因此，谣言识别是一项非常关键的任务，对经济、民主以及公共健康与安全具有重要意义。本文中，我们通过设计一个模块化的可解释架构来解决社交媒体中谣言自动检测的问题，该架构同时使用潜在特征与手工特征，并可按需扩展至任意多新类别的特征。该方法将允许终端用户不仅判断社交媒体上的信息片段是真实的还是谣言，还能给出算法得出该结论的原因解释。利用注意力机制，我们能够解释这些特征各自的相对重要性以及特征类别本身的相对重要性。该方法的优势在于架构可扩展至更多可用的手工特征，并可进行广泛测试以确定这些特征在最终决策中的相对影响。在流行数据集上的大量实验以及与十一种当代算法的基准比较表明，我们的方法在 F 值和准确率方面表现显著更优，同时具有可解释性。
引用
@article{arxiv.2007.11057,
title = {Explainable Rumor Detection using Inter and Intra-feature Attention Networks},
author = {Mingxuan Chen and Ning Wang and K. P. Subbalakshmi},
journal= {arXiv preprint arXiv:2007.11057},
year = {2020}
}
备注
14 pages, 6 figures, TrueFact2020(KDD2020 workshop)