基于对比学习与交叉注意力的无监督跨域谣言检测
社会与信息网络
2023-03-22 v1 人工智能
计算与语言
机器学习
摘要
大量谣言通常伴随突发新闻或热点话题出现，严重阻碍真相传播。现有谣言检测方法多聚焦于同域场景，因而在跨域情形下因域偏移而表现不佳。本文提出一种端到端的实例级与原型级对比学习模型，结合交叉注意力机制用于跨域谣言检测。该模型不仅执行跨域特征对齐，还强制目标样本与给定源域的相应原型对齐。由于目标域中目标标签不可用，我们采用基于聚类的方法，以一批源域样本精心初始化中心来生成伪标签。此外，我们对具有相同标签的源数据与目标数据对使用交叉注意力机制，以学习域不变表示。由于域对中的样本往往表达相似的语义模式，尤其在人们对同类谣言的态度（如支持或否认）上，源域与目标域之间的差异得以减小。我们在四组跨域数据集上开展实验，结果表明所提模型取得了最先进的性能。
引用
@article{arxiv.2303.11945,
title = {Unsupervised Cross-Domain Rumor Detection with Contrastive Learning and Cross-Attention},
author = {Hongyan Ran and Caiyan Jia},
journal= {arXiv preprint arXiv:2303.11945},
year = {2023}
}