RP-DNN：基于推文级传播上下文的深度神经网络用于社交媒体早期谣言检测
社会与信息网络
2020-03-03 v2 计算与语言
信息检索
摘要
在社交媒体平台上，当可用信息有限、不完整且含噪声时，早期谣言检测（ERD）极具挑战性。现有方法大多致力于事件级检测，需要收集与特定事件相关的帖子且仅依赖用户生成内容。在事件展开并广泛传播之前的极早期阶段，它们并不适合检测谣言源。本文中，我们处理消息级 ERD 任务。我们提出一种新颖的混合神经网络架构，其结合了特定任务的基于字符的双向语言模型与堆叠长短期记忆（LSTM）网络来表示输入源推文的文本内容与社会-时间上下文，以建模谣言在发展早期阶段的传播模式。我们应用多层注意力模型在多个上下文输入上联合学习注意力上下文嵌入。我们的实验在七个公开可用的真实谣言事件数据集上采用严格的留一交叉验证（LOO-CV）评估设置。我们的模型在覆盖超过 12 个事件和 2,967 条谣言的大型增强数据上取得了检测未知谣言的最优（SoA）性能。我们还进行了消融研究以理解所提模型各组成部分的相对贡献。
引用
@article{arxiv.2002.12683,
title = {RP-DNN: A Tweet level propagation context based deep neural networks for early rumor detection in Social Media},
author = {Jie Gao and Sooji Han and Xingyi Song and Fabio Ciravegna},
journal= {arXiv preprint arXiv:2002.12683},
year = {2020}
}
备注
Manuscript accepted for publication at The LREC 2020 Proceedings. The International Conference on Language Resources and Evaluation