論文の概要: Rumor Detection on Twitter with Claim-Guided Hierarchical Graph
Attention Networks
- arxiv url: http://arxiv.org/abs/2110.04522v1
- Date: Sat, 9 Oct 2021 09:24:11 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-17 00:10:44.431360
- Title: Rumor Detection on Twitter with Claim-Guided Hierarchical Graph
Attention Networks
- Title(参考訳): 階層型グラフアテンションネットワークによるTwitterの噂検出
- Authors: Hongzhan Lin, Jing Ma, Mingfei Cheng, Zhiwei Yang, Liangliang Chen and
Guang Chen
- Abstract要約: ソーシャルメディアの時代には噂が広まっている。
本研究では,ユーザの意見の相互作用を大幅に強化するために,まず対話スレッドを非方向性の対話グラフとして表現する。
次に,レーム誘導型階層型グラフ注意ネットワークを提案し,応答性のある投稿の表現学習を強化する。
- 参考スコア(独自算出の注目度): 5.167857972528786
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Rumors are rampant in the era of social media. Conversation structures
provide valuable clues to differentiate between real and fake claims. However,
existing rumor detection methods are either limited to the strict relation of
user responses or oversimplify the conversation structure. In this study, to
substantially reinforces the interaction of user opinions while alleviating the
negative impact imposed by irrelevant posts, we first represent the
conversation thread as an undirected interaction graph. We then present a
Claim-guided Hierarchical Graph Attention Network for rumor classification,
which enhances the representation learning for responsive posts considering the
entire social contexts and attends over the posts that can semantically infer
the target claim. Extensive experiments on three Twitter datasets demonstrate
that our rumor detection method achieves much better performance than
state-of-the-art methods and exhibits a superior capacity for detecting rumors
at early stages.
- Abstract(参考訳): ソーシャルメディアの時代には噂が広まっている。
会話構造は、現実と偽の主張を区別するための貴重な手がかりを提供する。
しかし,既存の噂検出手法はユーザ応答の厳密な関係に制限されるか,会話構造を単純化する。
本研究では,無関係な投稿によるネガティブな影響を緩和しつつ,ユーザの意見の相互作用を大幅に強化するために,まず,会話スレッドを非ダイレクトな対話グラフとして表現する。
次に,クレーム誘導型階層型グラフ注意ネットワークを提案する。これは,社会的文脈全体を考慮した応答性ポストの表現学習を強化し,対象のクレームを意味的に推測できるポストに参画する。
3つのtwitterデータセットに関する広範囲な実験により、我々のうわさ検出手法が最先端の手法よりもずっと優れた性能を達成し、早期のうわさ検出に優れた能力を示している。
関連論文リスト
- Enhancing Fake News Detection in Social Media via Label Propagation on Cross-modal Tweet Graph [19.409935976725446]
ソーシャルメディアにおける偽ニュースを検出する新しい方法を提案する。
我々の手法は、より密な相互作用をよりよく捉えるために、グラフの接続性を高める。
評価には、Twitter、PHEME、Weiboの3つの公開フェイクニュースデータセットを使用します。
論文 参考訳(メタデータ) (2024-06-14T09:55:54Z) - Rumor Detection with a novel graph neural network approach [12.42658463552019]
ソーシャルメディア上での噂を検出するために,ユーザ相関と情報伝達の表現を共同で学習する新しい検出モデルを提案する。
具体的には、グラフニューラルネットワークを利用して、二部グラフからユーザ相関の表現を学習する。
本研究では,ユーザ相関パターンを逆転させるには高いコストが必要であることを示すとともに,ユーザ相関をうわさ検出のために考慮することの重要性を示す。
論文 参考訳(メタデータ) (2024-03-24T15:59:47Z) - Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳(メタデータ) (2023-10-20T06:17:02Z) - Prompt-and-Align: Prompt-Based Social Alignment for Few-Shot Fake News
Detection [50.07850264495737]
プロンプト・アンド・アライン(Prompt-and-Align、P&A)は、数発のフェイクニュース検出のための新しいプロンプトベースのパラダイムである。
我々はP&Aが、数発のフェイクニュース検出性能をかなりのマージンで新たな最先端に設定していることを示す。
論文 参考訳(メタデータ) (2023-09-28T13:19:43Z) - Zero-Shot Rumor Detection with Propagation Structure via Prompt Learning [24.72097408129496]
従来の研究では、アノテートされたリソースが不足しているため、少数言語で提示される噂は見つからないことが判明した。
本稿では,異なるドメインで発生する噂や,異なる言語で提示される噂を検出するための,素早い学習に基づく新しいフレームワークを提案する。
提案手法は最先端手法よりも優れた性能を実現し,早期に噂を検出する能力に優れる。
論文 参考訳(メタデータ) (2022-12-02T12:04:48Z) - Model-Agnostic and Diverse Explanations for Streaming Rumour Graphs [39.88818563103125]
検出された噂に関する説明は、過去に検出された関連する噂の例から説明できるかもしれないと論じる。
類似した噂の多種多様なセットは、ユーザーが、すなわち、噂の検出を支配する特性を理解するのに役立つ。
論文 参考訳(メタデータ) (2022-07-17T07:13:27Z) - Rumor Detection with Self-supervised Learning on Texts and Social Graph [101.94546286960642]
異種情報ソース上での自己教師型学習を対照的に提案し,それらの関係を明らかにするとともに,噂をよりよく特徴付ける。
我々はこの枠組みをSRD(Self-supervised Rumor Detection)と呼ぶ。
3つの実世界のデータセットに対する大規模な実験により、ソーシャルメディア上での噂の自動検出におけるSRDの有効性が検証された。
論文 参考訳(メタデータ) (2022-04-19T12:10:03Z) - Causal Understanding of Fake News Dissemination on Social Media [50.4854427067898]
我々は、ユーザーがフェイクニュースを共有するのに、ユーザー属性が何をもたらすかを理解することが重要だと論じている。
偽ニュース拡散において、共同創設者は、本質的にユーザー属性やオンライン活動に関連する偽ニュース共有行動によって特徴づけられる。
本稿では,偽ニュース拡散における選択バイアスを軽減するための原則的アプローチを提案する。
論文 参考訳(メタデータ) (2020-10-20T19:37:04Z) - Dynamic Semantic Matching and Aggregation Network for Few-shot Intent
Detection [69.2370349274216]
利用可能な注釈付き発話が不足しているため、インテント検出は困難である。
セマンティック成分はマルチヘッド自己認識によって発話から蒸留される。
本手法はラベル付きインスタンスとラベルなしインスタンスの両方の表現を強化するための総合的なマッチング手段を提供する。
論文 参考訳(メタデータ) (2020-10-06T05:16:38Z) - Machine Learning Explanations to Prevent Overtrust in Fake News
Detection [64.46876057393703]
本研究では、ニュースレビュープラットフォームに組み込んだ説明可能なAIアシスタントが、フェイクニュースの拡散と戦う効果について検討する。
我々は、ニュースレビューと共有インターフェースを設計し、ニュース記事のデータセットを作成し、4つの解釈可能なフェイクニュース検出アルゴリズムを訓練する。
説明可能なAIシステムについてより深く理解するために、説明プロセスにおけるユーザエンゲージメント、メンタルモデル、信頼、パフォーマンス対策の相互作用について議論する。
論文 参考訳(メタデータ) (2020-07-24T05:42:29Z) - Heterogeneous Graph Attention Networks for Early Detection of Rumors on
Twitter [9.358510255345676]
ソーシャルメディアに関する偽の噂は、大衆のパニックを招き、個人的評判を損なう可能性がある。
我々は、テキストの内容と噂の発信元であるツイートの伝搬に基づいて、ツイートワードを利用する異種グラフを構築した。
論文 参考訳(メタデータ) (2020-06-10T14:49:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。