基于边推断增强对比学习的社交媒体谣言检测模型

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Twitter 15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.

关键词：谣言检测、对比学习、数据增强、因果推断

所属期刊栏目：50

分类号：TP181(自动化基础理论)

在线出版日期：2023-11-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：49-54