基于图卷积网络的多特征融合谣言检测方法思维导图

U244706191

2024-02-01

浏览量: 67

图卷积网络

谣言检测

模型建设

摘要，相关工作，问题定义，模型建设等相关内容分解

树图思维导图提供《基于图卷积网络的多特征融合谣言检测方法》在线思维导图免费制作，点击“编辑”按钮，可对《基于图卷积网络的多特征融合谣言检测方法》进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：d131aa8ad35b6263887849bb0f5a0154

思维导图大纲

摘要

背景

1、忽略了原文本特征与其他特征的有效融合

2、忽略了传播用户在谣言传播过程中的作用

本文工作

基于传播结构和传播用户构建传播图，利用多个图卷积网络学习在不同用户属性组合的情况下传播图的表达，采用 BERT 模型学习原文本内容特征表达，最终与图卷积网络学习的特征相融合用于检测谣言。

问题定义

谣言定义：是指在社交媒体中传播的与真实信息不符或故意伪造的信息,如错误信息和虚信息

传播图定义：一条信息的所有转发用户之间的转发路径形成了树状结构，这种结构通常被称为传播树。本文利用传播树结构和相应用户特征构建了传播图。

GCNs-BERT模型

传播图特征表达模块

传播图的结构构建

博文 mi转发消息所对应的传播关系图,其中用户 u1和 u2 相继转发了原博文 si，在集合 Ei中则包含 e01、e10、e02和e20 ;u5 转发了 u1 ,则集合 Ei中则包含 e15和 e51 。

传播图的节点特征组合选择

传播图的特征表达，为防止过拟合缩小参数矩阵的尺寸,在图卷积操作之后加入一个平均池化层

子主题 1

原文本特征表达模块

词嵌入、句子嵌入、位置嵌入

编码层：将词嵌入层转换后的向量编码成具有丰富的上下文语义信息的序列向量

预测模块

6 组用户特征分别输入到 6 个 GCN中训练，再将传播图特征向量和原文本特征向量拼接:

实验

数据集：公开微博数据集+爬取新浪微博平台与新冠疫情相关的微博数据

基线实验

与 DTC、SVM 相比

机器学习依赖于手工提取特征,而深度学习能够自动捕获到更深层次的特征以及特征之间的关联,有助于提高谣言检测的性能

与LSTM相比

机器学习依赖于手工提取特征,而深度学习能够自动捕获到更深层次的特征以及特征之间的关联,有助于提高谣言检测的性能

BERBERT

图卷积网络模型能够有效学习到谣言和非谣言在传播结构和传播用户特征上的差异,能够进一步提升谣言检测的准确率

Bi-GCN

其忽略了传播过程中传播用户的重要影响。本文模型中将传播用户特征作为传播树的节点特征，学习谣言在传播过程中传播用户的影响

GCN-BERT

是 GCNs 未加入微博原文本特征,说明原文本中包含着丰富且重要的信息,充分利用原文本内容特征能有效提升模型的性能。

消融实验

用户特征组合分析

传播用户不同特征组合的影响分析

GCN 层数对模型性能的影响分析

结论

本文研究了基于原文本内容、传播结构和传播用户相融合的谣言检测任务,提出了基于图卷积网络的多特征融合的谣言检测模型 GCNs-BERT。该模型将传播结构特征与传播用户特征相融合,使用图卷积网络来学习传播用户和传播结构的表达,使用 BERT 模型学习原文本内容的表达,最后进行多特征融合来检测谣言。

谣言检测方法

使用图卷积网络进行谣言检测的优势

-自动提取图像中的谣言特征

-适用于多种类型的谣言检测

图卷积网络结构

-卷积层：提取图像特征

-池化层：减少特征维度

-全连接层：进行分类

多特征融合

谣言检测中的多特征融合方法

-文本特征：谣言文本内容提取的特征

-图像特征：基于图卷积网络提取的谣言图像特征

-时间特征：谣言传播的时间序

流程图表示思维导图

浮沉

0.31

树图思维导图提供《流程图表示》在线思维导图免费制作，点击“编辑”按钮，可对《流程图表示》进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：5948c35cf208112e2ca32158796e1b7e

采购管理流程图思维导图

U351238109

树图思维导图提供《采购管理流程图》在线思维导图免费制作，点击“编辑”按钮，可对《采购管理流程图》进行在线思维导图编辑，本思维导图属于思维导图模板主题，文件编号是：002b6af92a5160b6083c068a0f49d862

思维导图模板

IT互联网

产品结构

正文

相似思维导图模版

思维导图模版推荐

跨境电商综合试验区背景下的产教融合创新创业人才培养模式的研究思维导图

2024-01-31 21:35:41

首页

我的文件

我的团队

个人中心