基于文本与社交图自监督学习的谣言检测

谣言检测近年来已成为一个新兴且活跃的研究领域。其核心在于对丰富信息中固有的谣言特征进行建模,例如社交网络中的传播模式和帖子内容中的语义模式,并将其与真相区分开来。然而,现有谣言检测工作在对异质信息建模方面存在不足,要么仅使用单一信息源(如社交网络或帖子内容),要么忽略多源之间的关系(如通过简单拼接融合社交与内容特征)。因此,它们可能在全面理解谣言和准确检测方面存在缺陷。在本工作中,我们探索对异质信息源进行对比自监督学习,以揭示其关系并更好地刻画谣言。在技术上,我们以一个辅助自监督任务补充检测的主要监督任务,通过帖子自判别来丰富帖子表示。具体而言,给定帖子的两个异质视图(即编码社交模式和语义模式的表示),该判别通过最大化同一帖子不同视图之间相对于其他帖子的互信息来完成。我们设计了簇级和实例级方法来生成视图并进行判别,以考虑信息源的不同关系。我们将此框架称为自监督谣言检测(SRD)。在三个真实世界数据集上的大量实验验证了SRD在社交媒体自动谣言检测上的有效性。