中文精品久久久久国产网址,国产香蕉一区二区三区在线视频

論文信息

論文標(biāo)題：Rumor Detection on Social Media with Event Augmentations論文作者：Zhenyu He, Ce Li, Fan Zhou, Yi Yang論文來(lái)源：2021，SIGIR論文地址：download論文代碼：download

1 Introduction現(xiàn)有的深度學(xué)習(xí)方法取得了巨大的成功，但是這些方法需要大量可靠的標(biāo)記數(shù)據(jù)集來(lái)訓(xùn)練，這是耗時(shí)和數(shù)據(jù)低效的。為此，本文提出了 RDEA，通過(guò)事件增強(qiáng)在社交媒體上的謠言檢測(cè)（RDEA），該方案創(chuàng)新地集成了三種增強(qiáng)策略，通過(guò)修改回復(fù)屬性和事件結(jié)構(gòu)，提取有意義的謠言傳播模式，并學(xué)習(xí)用戶(hù)參與的內(nèi)在表示。
貢獻(xiàn)：

- 涉及了三種可解釋的數(shù)據(jù)增強(qiáng)策略，這在謠言時(shí)間圖數(shù)據(jù)中沒(méi)有得到充分的探索；
- 在謠言數(shù)據(jù)集中使用對(duì)比自監(jiān)督的方法進(jìn)行預(yù)訓(xùn)練；
- REDA 遠(yuǎn)高于其他監(jiān)督學(xué)習(xí)方法；

2 Methodology總體框架如下：

RDEA 謠言檢測(cè)《Rumor Detection on Social Media with Event Augmentations》

文章插圖
主要包括三個(gè)模塊：

- event graph data augmentation
- contrastive pre-training
- model fne-tuning

2.1 Event Augmentation謠言事件中存在兩種用戶(hù)：

- malicious users
- naive users

malicious users 故意傳播虛假信息，nvaive users 無(wú)意中幫助了 malicious users 傳播虛假信息，所以 mask node 是可行的。
給定除 root node 的節(jié)點(diǎn)特征矩陣 $E^{-r} \in \mathbb{R}^{(|\mathcal{V}|-1) \times d}$，以及一個(gè) mask rate $p_{m}$，mask 后的節(jié)點(diǎn)特征矩陣為：
$E_{\text {mask }}^{-r}=\mathrm{M} \odot E^{-r} $
其中，$M \in\{0,1\}^{(|\mathcal{V}|-1) \times d}$ 代表著 mask matrix，隨機(jī)刪除 $ (|\mathcal{V}|-1) \times p_{m}$ 行節(jié)點(diǎn)特征矩陣。
2.2 Subgraph【RDEA 謠言檢測(cè)《Rumor Detection on Social Media with Event Augmentations》】用戶(hù)在早期階段通常是支持真實(shí)謠言的，所以，在模型訓(xùn)練時(shí)，如果過(guò)多的訪(fǎng)問(wèn)謠言事件的整個(gè)生命周期，將阻礙早期謠言檢測(cè)的準(zhǔn)確性，所以本文采取隨機(jī)游走生成謠言事件的子圖 $G_{i_sub}$ 。
2.3 Edge dropping形式上，給定一個(gè)鄰接矩陣 $A$ 和 $N_{e}$ 條邊和丟棄率 $p_38lypf8$，應(yīng)用 DropEdge 后的鄰接矩陣 $A_{d r o p}$，其計(jì)算方法如下：
$A_{d r o p}=A-A^{\prime}$
其中，$A^{\prime}$ 是隨機(jī)采樣 $N_{e} \times p_up8wr8d $ 條邊的鄰接矩陣。
2.2 Contrastive Pre-training在本節(jié)將介紹如何通過(guò)在輸入事件和增強(qiáng)事件之間的對(duì)比預(yù)訓(xùn)練來(lái)獲得互信息。
形式上，對(duì)于 node $j$ 和 event graph $G$，self-supervised learning 過(guò)程如下：
$\begin{array}{l}h_{j}^{(k)} &=&\operatorname{GCL}\left(h_{j}^{(k-1)}\right) \\h^{j} &=&\operatorname{CONCAT}\left(\left\{h_{j}^{(k)}\right\}_{k=1}^{K}\right)\\H(G) &=&\operatorname{READOUT}\left(\left\{h^{j}\right\}_{j=1}^{|\mathcal{V}|}\right)\end{array}$
其中，$h_{j}^{(k)}$ 是節(jié)點(diǎn)在第 $k$ 層的特征向量。GCL 是 graph convolutional encoder，$h^{j}$ 是通過(guò)將 GCL 所有層的特征向量匯總為一個(gè)特征向量，該特征向量捕獲以每個(gè)節(jié)點(diǎn)為中心的不同尺度信息，$H(G)$ 是應(yīng)用 READOUT 函數(shù)的給定事件圖的全局表示。本文并選擇 GIN 作為 GCL 和 mean 作為 READOUT 函數(shù)。對(duì)比預(yù)訓(xùn)練的目標(biāo)是使謠言傳播圖數(shù)據(jù)集上的互信息（MI）最大化，其計(jì)算方法為：
${\large \begin{aligned}I_{\psi}\left(h^{j}(G) ; H(G)\right):=& \mathbb{E}\left[-\operatorname{sp}\left(-T_{\psi}\left(\vec{h}^{j}\left(G_{i}^{\text {pos }}\right), H\left(G_{i}\right)\right)\right)\right] \\&-\mathbb{E}\left[\operatorname{sp}\left(T_{\psi}\left(\vec{h}^{j}\left(G_{i}^{n e g}\right), H\left(G_{i}\right)\right)\right)\right]\end{aligned}} $
其中，$I_{\psi}$ 為互信息估計(jì)器，$T_{\psi}$ 為鑒別器（discriminator），$G_{i}$ 是輸入 event 的 graph，$G_{i}^{\text {pos }}$ 是 $G_{i}$ 的 positive sample，$G_{i}^{\text {neg }}$ 是 $G_{i}$ 的負(fù)樣本，$s p(z)=\log \left(1+e^{z}\right)$ 是 softplus function 。對(duì)于正樣本，可以是 $G_{i}\left(E_{\text {mask }}^{-r}\right)$，$G_{i_{-} s u b$，$G_{i}\left(A_{d r o p}\right)$，負(fù)樣本是一個(gè) batch 中其他 event graph 的局部表示。