谣言检测文献阅读十二—Interpretable Rumor Detection in Microblogs by Attending to User Interactions

系列文章目录

1. 谣言检测文献阅读一—A Review on Rumour Prediction and Veracity Assessment in Online Social Network
2. 谣言检测文献阅读二—Earlier detection of rumors in online social networks using certainty‑factor‑based convolutional neural networks
3. 谣言检测文献阅读三—The Future of False Information Detection on Social Media:New Perspectives and Trends
4. 谣言检测文献阅读四—Reply-Aided Detection of Misinformation via Bayesian Deep Learning
5. 谣言检测文献阅读五—Leveraging the Implicit Structure within Social Media for Emergent Rumor Detection
6. 谣言检测文献阅读六—Tracing Fake-News Footprints: Characterizing Social Media Messages by How They Propagate
7. 谣言检测文献阅读七—EANN: Event Adversarial Neural Networks for Multi-Modal Fake News Detection
8. 谣言检测文献阅读八—Detecting breaking news rumors of emerging topics in social media
9. 谣言检测文献阅读九—人工智能视角下的在线社交网络虚假信息 检测、传播与控制研究综述
10. 谣言检测文献阅读十一—Preventing rumor spread with deep learning

---

---

前言

文章：Interpretable Rumor Detection in Microblogs by Attending to User Interactions
发表会议： AAAI Conference on Artificial Intelligence（A 类）
时间：2020

---

摘要

  我们通过学习区分社区对微博中真实和虚假声明的反应来解决谣言检测问题。现有的最先进的模型基于对对话树进行建模的树模型。然而，在社交媒体中，发布回复的用户可能是在回复整个线程，而不是特定用户。我们提出了一种后级注意力模型（PLAN），以在transformer网络中使用多头注意力机制来模拟推文之间的长距离交互。我们研究了该模型的变体：（1）结构感知自我注意模型（StA PLAN），其将树结构信息纳入变压器网络中；（2）分层令牌和后级注意模型（StA HiTPLAN），其使用令牌级自我注意学习句子表示。此外，注意力机制允许我们在令牌级别和后期级别解释谣言检测预测。

引言

  我们的工作重点是利用社区对此类声明的反应来检测虚假声明。这一研究领域利用了社区的集体智慧，将自然语言处理应用于针对声明的评论（见图1）。这些作品背后的关键原则是，社交媒体上的用户会分享不准确信息的观点、推测和证据。因此，用户之间的交互以及共享的内容可以被捕获用于假新闻检测。我们简要讨论了两种最先进的模型（Ma、Gao和Wong 2018b；Kumar和Carley 2019）。

  Ma等人（2018b）将源声明及其响应推文组织成树结构，如图1所示。每个推特都表示为一个节点；顶部节点将是源声明，节点的子节点是直接响应它的tweet。他们使用递归神经网络对传播树中的信息传播进行建模。来自不同节点的信号以自下而上或自上而下的方式递归聚合。在自底向上模型中，信息从子节点传播到父节点，反之亦然。类似地，Kumar等人（2019）使用树结构组织对话线程，并探索了用于谣言检测的分支和树LSTM的几种变体。

  这两篇论文都使用了树模型，目的是对会话线程中的结构信息进行建模。在树模型中，信息从父对象传播到子对象，反之亦然。然而，社交媒体对话中的线索结构可能不清楚。每个用户通常能够观察会话不同分支中的所有回复。用户揭穿假新闻可能不仅仅针对他正在回复的内容的人，也可能适用于帖子中的其他推文。树模型不显式地对来自其他分支的节点之间的交互进行建模，并且在建模社交媒体对话时是一个关键限制。例如，在图1中，推特R1及其回复推特R1_1_1对来源声明的真实性提出了质疑。推特R_2_1和R_3_1提供了确凿的证据，揭穿了消息来源的说法是假的。尽管R_2_1和R_3_1分别是R_2和R_3的子节点，但它们可以向树上的所有其他节点提供重要信息，如R_1_1和R_1。因此，我们应该考虑所有推特之间的交互，而不仅仅是父推特和子推特之间，以便更好地聚合来自回复推特的信息。

在本文中，我们建议克服树模型在社交媒体对话建模中的一些局限性，正如我们的分析所确定的。更具体地说，我们压平了树结构，并按时间顺序排列了所有推文。我们提出了一种后级注意力模型（PLAN），该模型允许推文之间所有可能的成对交互，并具有自我注意力机制。为了结合自我注意机制和树模型的优点，我们结合了结构信息，并在后一级执行结构感知自我注意（StA PLAN）。最后，我们设计了一个结构感知的分层令牌和后级注意力网络（StA-HiTPLAN），以学习每条推文的更复杂的句子表示。

本文的贡献如下：

• 我们利用模型中的注意力权重来提供模型预测背后的令牌级和后级解释。据我们所知，我们是第一篇这样做的论文。

• 我们对比了两个数据集PHEME 5事件（Kochkina、Liakata和Zubiaga 2018）和Twitter15和Twitter16（Ma、Gao和Wong 2017）的先前工作。以前的工作只对两个数据集中的一个进行了评估。

• 我们提出的模型在两个数据集上都优于当前的最先进模型。

本文的其余部分组织如下。在第2节中，我们将研究一些相关工作。我们在第3节中定义了我们的问题陈述。我们在第4节中介绍了我们的模型，在第5节中给出了结果。然后我们在第6节中总结了未来的工作。

相关工作

介绍了一下相关的工作，就不详细论述了

谣言检测

$x_1$是源推文，$x_i$是按照时间顺序排列的第$i$条推文
$R(i,j)\in \{parent,child,before,after,self\}$

• parent: if $x_i$ is directly replying $x_j$
• child: if $x_j$ is directly replying $x_i$
• before: if $x_i$ comes before $x_j$
• after: if $x_i$ comes after $x_j$, self: i f $i=j$.

方法

word embedding向量（glove 300d）表示

https://www.jianshu.com/p/30f2cca755ac，发现了这篇文章，写的挺好的，这里就不详细写了