面向信息流行病监测的病毒式谣言与易感用户预测

在信息流行病时代，拥有有效监测可能迅速传播的猖獗谣言的工具，以及识别可能更易传播此类虚假信息的易感用户至关重要。这种主动方法允许采取及时的预防措施，减轻虚假信息对社会的负面影响。我们提出了一种新方法，使用统一的图神经网络模型预测病毒式谣言和易感用户。我们预训练基于网络的用户嵌入，并利用用户与帖子之间的交叉注意力机制，结合社区增强的易感性传播（CVP）方法，以改善用户和传播图的表示。此外，我们采用两种多任务训练策略来减轻不同设置下任务间的负迁移效应，从而增强了我们方法的整体性能。我们还构建了两个数据集，包含谣言和非谣言事件中关于信息病毒式传播和用户易感性的真值标注，这些标注是自动从现有的谣言检测数据集中衍生而来的。对我们联合学习模型的广泛评估结果证实了其在谣言检测、病毒式传播预测和用户易感性评分这三个任务上均优于强基线。例如，与基于Weibo数据集的最佳基线相比，我们的模型在谣言检测的准确率和MacF1上分别提升了3.8%和3.0%，并在病毒式传播预测和用户易感性评分上分别将均方误差（MSE）降低了23.9%和16.5%。我们的研究结果表明，我们的方法有效地捕捉了谣言病毒式传播与用户易感性之间的相关性，利用这些信息来提高预测性能，并为信息流行病监测提供了有价值的工具。