面向传播不确定性：用于谣言检测的边增强贝叶斯图卷积网络
人工智能
2021-07-27 v1
摘要
在社交媒体上检测谣言是一项非常关键的任务，对经济、公共健康等具有重大意义。先前的工作通常从文本和传播结构中捕获有效特征。然而，由于狡猾的谣言制造者以及传播数据收集的有限性，传播结构中不可靠关系所导致的不确定性是普遍且不可避免的。大多数方法忽视了它，并可能严重限制特征的学习。针对此问题，本文首次尝试探索用于谣言检测的传播不确定性。具体而言，我们提出一种新颖的边增强贝叶斯图卷积网络（EBGCN）来捕获鲁棒的结构特征。该模型通过采用贝叶斯方法自适应地重新考量潜在关系的可靠性。此外，我们设计了一种新的边级一致性训练框架，通过对关系施加一致性来优化模型。在三个公开基准数据集上的实验表明，所提模型在谣言检测和早期谣言检测任务上均取得了优于基线方法的性能。
引用
@article{arxiv.2107.11934,
title = {Towards Propagation Uncertainty: Edge-enhanced Bayesian Graph Convolutional Networks for Rumor Detection},
author = {Lingwei Wei and Dou Hu and Wei Zhou and Zhaojuan Yue and Songlin Hu},
journal= {arXiv preprint arXiv:2107.11934},
year = {2021}
}
备注
Accepted by ACL 2021 main conference