"融合门控图神经网络的社交媒体谣言检测研究"

本研究旨在解决社交媒体谣言检测领域存在的问题，即如何有效利用源信息和结构信息进行谣言检测。通过对社交媒体上的消息传播进行建模，本文提出了一种融合门控的传播图卷积网络模型GUCNH。该模型首先利用消息转发关系构建信息转发图，然后通过两个融合门控的图卷积网络模块来聚合邻居节点信息，以生成节点的表示。融合门控能够对图卷积之前的特征表示和之后的特征表示进行选择与组合，以得到更加可靠的表示。此外，为了考虑任意帖子之间的多角度影响，本研究引入了多头自注意力模块，在转发图中建模任意帖子之间的影响。在实验中，本研究还考虑了源帖包含的信息往往是最原始、最丰富的情况，通过将源帖信息与传播图结合，有效提高了谣言检测的准确性和鲁棒性。 社交媒体在带给人们便利的同时，也为谣言的发布和传播提供了平台。当前大多数的谣言检测方法都是基于文本内容信息，但在社交媒体场景下，文本内容大多是短文本，这类方法往往会因为数据稀疏性的问题导致性能下降。为了解决这一问题，已有研究考虑消息传播结构特点，通过GCN等模型进行谣言检测。然而，GCN依据结构信息聚合邻居来提升节点表示，但有些邻居聚合是无用的，甚至可能带来噪声，使得通过GCN得到的表示并不可靠。此外，当前的研究不能有效的突出源帖信息的重要性，通过将源帖信息与传播图结合，有效提高了谣言检测的准确性和鲁棒性。 在针对上述问题的基础上，本研究提出了一种融合门控的传播图卷积网络模型GUCNH。在该模型中，首先利用消息转发关系构建信息转发图，然后通过两个融合门控的图卷积网络模块来聚合邻居节点信息，以生成节点的表示。融合门控能够对图卷积之前的特征表示和之后的特征表示进行选择与组合，以得到更加可靠的表示。此外，为了考虑任意帖子之间的多角度影响，本研究引入了多头自注意力模块，在转发图中建模任意帖子之间的影响。 另外，考虑到在转发图中，任意的帖子之间都可能存在相互影响，而不仅仅是基于邻接关系，因此在两个融合门控的图卷积网络模块之间引入多头自注意力模块来建模任意帖子之间的多角度影响。此外，在转发图中，源帖包含的信息往往是最原始、最丰富的。因此，本研究将源帖信息与传播图进行融合，以提高谣言检测的准确性和鲁棒性。 在实验中，本研究使用了多个真实数据集，包括社交媒体上的谣言数据集。实验结果表明，与传统的基于文本内容信息的方法相比，所提出的GUCNH模型具有更高的性能。融合门控的传播图卷积网络模型在谣言检测领域具有较好的应用前景，通过充分利用源信息和结构信息，能够提高对谣言的准确性和鲁棒性。 综上所述，本研究通过融合门控的传播图卷积网络模型，有效解决了社交媒体上谣言检测领域存在的问题。通过对消息传播结构和源信息的充分利用，本研究提出的GUCNH模型在谣言检测领域具有较好的应用前景，能够有效提高谣言检测的准确性和鲁棒性。在未来的研究中，还可以继续探索更多的结合信息，以进一步提高谣言检测的性能，为社交媒体的健康发展提供更有效的保障。