科研之友
微信
新浪微博
Facebook
分享链接
摘要
随着社交媒体数据规模的增长与数据形式的复杂化，社交媒体谣言识别研究面临新的挑战。一方面，谣言传播网络中的复杂结构特征难以被充分挖掘；另一方面，亟须探索基于深度神经网络的谣言识别模型的可解释性。本文设计和实现了具备可解释性的图神经网络模型应用于谣言识别任务。具体而言，本文在运用残差图卷积神经网络模型进行谣言识别的基础上，进一步训练基于掩码学习的图神经网络解释器，不仅将谣言传播网络结构特征纳入识别模型，而且从传播网络结构和传播节点属性两个视角对图神经网络模型自动生成解释。本文基于新浪微博（中文）和推特（英文）来源的两个网络谣言数据集进行实验，并从全局与个案两个层面进行解释性分析。研究结果显示，本文提出的图神经网络模型可以有效利用谣言传播网络结构特征，在谣言识别任务中的表现超过了一系列对照组模型。结合图神经网络解释器生成的解释可以发现，在较大规模的谣言传播树中，长传播链条是谣言的关键网络拓扑结构；在规模较小的谣言传播树中，文本特征是关键的节点属性。
- 单位
