基于分层注意力网络的社交媒体谣言检测

被引:61
作者
廖祥文 [1 ,2 ,3 ]
黄知 [1 ,2 ,3 ]
杨定达 [1 ,2 ,3 ]
程学旗 [4 ]
陈国龙 [1 ,2 ,3 ]
机构
[1] 福州大学数学与计算机科学学院
[2] 福建省网络计算与智能信息处理重点实验室(福州大学)
[3] 数字福建金融大数据研究所
[4] 中国科学院网络数据科学与技术重点实验室
关键词
谣言检测; 分层注意力网络; 社交媒体; 时序信息; 深度学习;
D O I
暂无
中图分类号
TP181 [自动推理、机器学习];
学科分类号
140502 [人工智能];
摘要
在社交媒体谣言检测问题上,现有的基于特征表示学习的研究工作大多数先把微博事件划分为若干个时间段,再对每个时间段提取文本向量表示、全局用户特征等,忽略了时间段内各微博间的时序信息,且未利用到在传统机器学习方法中已取得较好效果的文本潜在信息和局部用户信息,导致性能较低.因此,本文提出了一种基于分层注意力网络的社交媒体谣言检测方法.该方法首先将微博事件按照时间段进行分割,并输入带有注意力机制的双向GRU网络,获取时间段内微博序列的隐层表示,以刻画时间段内微博间的时序信息;然后将每个时间段内的微博视为一个整体,提取文本潜在特征和局部用户特征,并与微博序列的隐层表示相连接,以融入文本潜在信息和局部用户信息;最后通过带有注意力机制的双向GRU网络,得到时间段序列的隐层表示,进而对微博事件进行分类.实验采用了新浪微博数据集和Twitter数据集,实验结果表明,与目前最好的基准方法相比,该方法在新浪微博数据集和Twitter数据集上正确率分别提高了1.5%和1.4%,很好地验证了该方法在社交媒体谣言检测问题上的有效性.
引用
收藏
页码:1558 / 1574
页数:17
相关论文
共 8 条
[1]
News Feature: The genuine problem of fake news..[J].Waldrop M Mitchell.Proceedings of the National Academy of Sciences of the United States of America.2017, 48
[2]
Long short-term memory [J].
Hochreiter, S ;
Schmidhuber, J .
NEURAL COMPUTATION, 1997, 9 (08) :1735-1780
[3]
FINDING STRUCTURE IN TIME [J].
ELMAN, JL .
COGNITIVE SCIENCE, 1990, 14 (02) :179-211
[4]
Backpropagation Applied to Handwritten Zip Code Recognition [J].
LeCun, Y. ;
Boser, B. ;
Denker, J. S. ;
Henderson, D. ;
Howard, R. E. ;
Hubbard, W. ;
Jackel, L. D. .
NEURAL COMPUTATION, 1989, 1 (04) :541-551
[5]
在线社会网络谣言检测综述 [J].
陈燕方 ;
李志宇 ;
梁循 ;
齐金山 .
计算机学报, 2018, 41 (07) :1648-1677
[6]
基于引力学的在线社交网络空间谣言传播分析模型 [J].
谭振华 ;
时迎成 ;
石楠翔 ;
杨广明 ;
王兴伟 .
计算机研究与发展, 2017, 54 (11) :2586-2599
[7]
社交媒体中的谣言识别研究综述 [J].
刘雅辉 ;
靳小龙 ;
沈华伟 ;
鲍鹏 ;
程学旗 .
计算机学报, 2018, 41 (07) :1536-1558
[8]
中文社交媒体谣言统计语义分析 [J].
刘知远 ;
张乐 ;
涂存超 ;
孙茂松 .
中国科学:信息科学, 2015, 45 (12) :1536-1546