基于提示学习的零样本谣言检测及其传播结构利用
计算与语言
2023-05-29 v5
摘要
在社交媒体时代，谣言随突发事件的传播严重阻碍了真相的揭示。先前研究表明，由于缺乏标注资源，以少数语言呈现的谣言难以被检测。此外，未包含在昨日新闻中的不可预见的突发事件加剧了数据资源的稀缺。在本工作中，我们提出一种基于提示学习（prompt learning）的新型零样本框架，以检测属于不同领域或以不同语言呈现的谣言。更具体地，我们首先将社交媒体上传播的谣言表示为多样的扩散线索，然后设计一种分层提示编码机制，为提示和谣言数据学习语言无关的上下文表示。为了进一步增强领域适应性，我们从传播线索中建模领域不变的结构特征，以纳入有影响力社区响应的结构位置表示。此外，使用一种新的虚拟响应增强方法来改进模型训练。在三个真实世界数据集上进行的大量实验表明，我们提出的模型比最先进（SOTA）方法性能更优，并展现出在早期阶段检测谣言的卓越能力。
引用
@article{arxiv.2212.01117,
title = {Zero-Shot Rumor Detection with Propagation Structure via Prompt Learning},
author = {Hongzhan Lin and Pengyao Yi and Jing Ma and Haiyun Jiang and Ziyang Luo and Shuming Shi and Ruifang Liu},
journal= {arXiv preprint arXiv:2212.01117},
year = {2023}
}
备注
AAAI 2023