摘要：在线社交媒体的普及为人们通信带来便利,但也为谣言滋生创造条件,设计高效的谣言检测方法能保护人民财产和维持社会稳定.已有方法主要集中在利用谣言传播中的丰富信息来检测谣言,这些方法在长期谣言检测具有优越性能,但应对早期谣言检测的效果不佳.针对这些方法无法在谣言传播早期获得丰富信息的问题,本文提出了一种背景知识增强的多特征融合谣言检测方法来提高早期谣言检测性能.首先,从知识图谱和维基百科中挖掘谣言背景知识并建立知识关联图来补充源推文的语义信息;其次,为了解决现有方法难以学习具有不同差异性噪声的谣言传播表示的问题,本文设计了一种基于加性注意力和点积注意力的图神经网络结构对谣言进行插值学习;最后,将知识关联图、谣言传播-扩散图以及社交图的表示进行结合,构建出具有多通道输入的谣言检测器架构,从而实现早期谣言的精准分类.实验结果表明,本文方法在3个公开数据集上的准确率分别达到了87.3、90.4%和87.0%,与其它对比方法相比,具有更高的早期谣言检测准确率和长期谣言检测准确率.

摘要：谣言检测旨鉴别社交媒体中未经官方证实或人为捏造的信息,而当今社交网络中隐含着一种难以发掘的动态关系模式,它随时间推移和不同帖子间的动态交互而变化。针对现有方法对谣言传播事件中隐含的动态特征和关联信息考虑不充分的问题,提出一种基于时间步局部动态交互的多任务谣言检测方法,能捕获谣言传播事件中隐含的动态关联信息;并设计了一种高效的多任务交互方式,以时间步为基本共享单元,将学习到的局部特征进行共享,极大提升了共享效率,从而形成局部动态交互,整体多任务共享的检测框架。最后利用注意力机制筛选不同任务、不同结构特征中对谣言检测更有利的信息,以提升检测效果。在PHEME和WEIBO数据集上进行了实验,结果表明该方法具有较先进的性能。

摘要：现有社交网络谣言检测方法大多将社交网络中的单个帖子视为检测目标,存在因数据量不足而导致的检测冷启动问题,影响检测性能。另外,现有方法没有对海量社交网络信息中与检测无关的信息进行过滤,导致检测时延较长,性能较差。在分析谣言的传播特征时,现有方法大多侧重于谣言传播过程中的静态特征,难以充分利用节点间的动态关系对复杂的传播过程进行表征,导致性能提升存在瓶颈。针对以上问题,文中提出了一种基于潜在热点话题和图注意力神经网络的谣言检测方法,该方法采用神经主题模型和潜在热点话题发现模型进行话题级别的谣言检测以克服冷启动问题,并设计了一个基于双向图注意力神经网络的检测模型TPC-BiGAT,分析谣言话题传播过程中的动态特征以进行谣言真实性检测。在3个公开数据集上进行了多次实验证明,该方法在准确率上较现有方法取得了3%~5%的显著提升,验证了所提方法的有效性。

摘要：现有的谣言检测模型通常依赖大规模人工标注的谣言数据集,标注成本高且谣言特征来源于已被辟谣的谣言.为了提高模型对未知谣言的检测能力,提出面向不同对象的谣言检测方法.基于零样本学习,将谣言数据集按照不同的对象划分为样本与内容互不重叠的多个数据集,从而实现零样本对象谣言检测任务;为了表征对象之间的关系构建通义掩码特征,从而设计区分通义掩码特征的代理任务;为了减少数据增强带来的噪声,引入面向对象的信息辅助文本作为特征,并将其与原语义向量进行线性变换.在此基础上,提出面向零样本对象谣言检测的基于代理任务的分层对比学习模型(ZPTHCL),可以通过迁移学习进行谣言检测.在一个基于对象的零样本谣言数据集和Ma-Weibo、Weibo20、Twitter15、Twitter16这4个公开数据集上进行实验,结果表明所提出的对比学习零样本对象谣言检测模型性能更优.

摘要：针对现有谣言检测方法在微调大语言模型时导致的高内存占用,以及提示学习方法对初始点选择敏感的问题,提出一种基于元多任务提示学习的零样本谣言检测方法。首先,基于提示学习范式调整零样本谣言检测任务目标,通过设计提示模板使这一任务目标与大语言模型的训练任务目标保持一致,以充分利用大语言模型积累的先验知识。其次,利用元学习的参数更新策略以定位适用于零样本谣言检测任务的提示模板初始点,从不同的元任务中学习通用知识来实现参数优化。最后,引入情感分析作为辅助元任务进一步调整和优化模型参数。在多个公开数据集上的对比实验结果表明,所提方法在零样本谣言检测任务中表现出色,其性能指标优于基准方法。

摘要：网络社交媒体的快速发展提供了便捷的信息获取方式,但也滋生了谣言和虚假新闻,现有的谣言检测模型在有标注数据充足时能有效解决分类问题,然而谣言可用的标注数据有限,各种针对谣言特点精心设计的模型倾向于过拟合,同时,现有模型的鲁棒性不足,谣言传播者恶意破坏谣言传播结构会使模型出现分类错误.针对以上问题,采用自监督的图对比学习方法,对原始谣言传播图进行不同方式的数据增强来模拟对原图的扰动,建立自监督对比学习任务,使图编码器捕获谣言更趋本质的特征,缓解了过拟合,提高了模型的鲁棒性与泛化性能.在来源于主流社交媒体平台的三个公开数据集Twitter15,Twitter16和PHEME上进行了对比实验,实验结果显示,提出的模型的准确率比基准模型分别提高3.4%,1.8%和1.2%,证实了图自监督对比学习方法在谣言检测任务上的有效性.

摘要：【目的/意义】在谣言检测过程中,针对文本的上下文语义特征和主题语义特征没有得到充分挖掘的问题,提出了一种融合BERT和主题模型的谣言检测方法,提升谣言检测效果。【方法/过程】利用BERT模型挖掘文本动态上下文语义特征,利用主题模型挖掘文本主题语义特征;同时结合了微博影响力和用户可信度特征,并在微博影响力特征设计阶段考虑了时效性因素;将以上特征进行充分融合,构建谣言检测模型。【结果/结论】以微博真实数据进行实证分析,实验结果表明,该方法在进行谣言检测任务时效果较好,准确率最高达到了93.68%,相较于表现性能最好的传统机器学习方法、深度学习方法、融合特征方法分别提升了约9.92%、3.29%、7.75%,能够实现对谣言的有效检测。此外,在微博影响力特征设计阶段考虑时效性因素更有助于提升谣言检测效果。【创新/局限】谣言检测效果仍有一定提升空间,未来可尝试结合用户评论内容特征进一步提升谣言检测效果。

摘要：针对当前多模态谣言检测模型存在的模态间信息融合不足和过于依赖各模态信息完整度的问题,提出一种基于多级融合的多模态谣言检测模型。分别利用TextCNN和Resnet18网络对文本和图片编码并进行特征级融合,对纯文本模型、纯图片模型和特征级融合模型进行决策级融合并对决策级融合进行改进。多级融合框架加深各模态间的信息融合程度,改进后的决策级融合有效缓解了传统模型对各模态信息完整度要求过高的问题。实验结果表明,该模型在微博数据集上的F1值和准确率均高于传统的多模态谣言检测模型,进一步提升了谣言检测效果。

摘要：近年来,为了应对谣言广泛传播所带来的一系列社会问题,研究者开发了许多基于深度学习的谣言检测方法。虽然这些方法通过从传播结构中学习谣言的高级表征实现了较优的检测性能,但它们都忽略了在构造传播网络时边的不确定性,导致模型的可靠性降低,出现累积误差。针对该问题,提出了边推断增强对比学习的社交媒体谣言检测模型(Edge-Inference Con-trastive Learning,EICL)。首先,EICL基于消息转发(评论)时间戳为给定消息构建传播图;然后,利用新设计的边权重调整策略进行事件传播图数据增强以捕获传播结构边的不确定性;最后,利用对比学习方法解决原数据集本身存在的稀疏性问题,提高模型泛化能力。实验结果表明,与其他基准模型相比,模型EICL在公开数据集Twitter15和Twitter16上的准确率分别提高了2.0%和3.0%,证明其可显著提升社交媒体谣言检测效果。

摘要：为解决基于深度神经网络的微博谣言检测工作中带标签数据稀缺的问题,提出一种基于迁移学习的微博谣言检测方法。利用双层双向的门控循环单元和卷积神经网络组成的联合模型作为特征提取器,利用丰富的评论数据对联合神经网络进行预训练,将训练好的特征提取层迁移到微博谣言检测任务中,通过区分微调和斜三角学习率两种微调策略对特征提取层进行调整,使其适应于目标任务。实验结果表明,采用迁移学习方法的联合神经网络能有效提高微博谣言检测的准确率。