Professional Documents
Culture Documents
2022 (Twitter) Heterogeneous Graph Convolutional Network-Based Dynamic Rumor Detection On Social Media
2022 (Twitter) Heterogeneous Graph Convolutional Network-Based Dynamic Rumor Detection On Social Media
است ،که منجر به گسترش شایعات میشود .بنابراین ،تشخیص شایعات از اطالعات عظیم بسیار ضروری
است .روشهای قبلی برای تشخیص شایعات بر روی استخراج ویژگیها از محتوا و الگوهای انتشار
تمرکز کردهاند ،اما ویژگیهای پویای همراه با محتوا و الگوی انتشار را در نظر نگرفتهاند .در این مقاله،
یک روش مبتنی بر شبکه GCNناهمگن برای تشخیص پویای شایعات ( )HDGCNارائه شده است که به
طور اصلی از یک ماژول مشترک محتوا و انتشار و یک ماژول پویایی مبتنی بر معادالت تفاضلی عادی
تشکیل شده است .ماژول مشترک محتوا و انتشار یک گراف ناهمگن محتوا-انتشار را برای به دست
آوردن نمایندگی شایعه ایجاد میکند ،با استخراج و کشف تعامل بین محتوای پست و ساختارهای انتشار در
فرآیند انتشار شایعه .ماژول پویایی مبتنی بر معادالت تفاضلی عادی از یک GCNهمراه با یک سیستم
تفاضلی عادی برای بررسی ویژگیهای پویای گرافهای ناهمگن استفاده میکند .برای ارزیابی عملکرد
مدل HDGCNپیشنهادی ما ،آزمایشهای گستردهای را بر روی دو مجموعه داده واقعی از توییتر انجام
دادهایم .نتایج مدل پیشنهادی ما از مدلهای رایج بهتر عمل کرده است.
در این مقاله ،یک روش تشخیص پویای شایعات بر پایه شبکه تغلبی گرافی به نام HDGCNارائه
میدهیم که از محتوای پست و ساختار انتشار شایعه و تغییرات پویای گراف ناهمگن در هنگام گسترش
شایعه استفاده میکند .با توجه به اینکه محتوای شایعه و ساختار انتشار نقشهای حیاتی در طبقهبندی شایعه
دارند ،ما دو عامل را در یک گراف اتحادی ترکیب میکنیم تا جزئیات بیشتری از اطالعات شایعه به دست
آوریم .عالوه بر این GCN ،توانایی مقابله با دادههای ساختاری گراف را دارد و نمایشهای سطح باالتر را
یاد میگیرد ،و معادله تفاضلی عادی میتواند پویایی زمانی پیوسته را در یک گراف پیچیده به دست آورد.
ما ماژول پویایی را با استفاده از GCNبه عنوان شبکه مشتق برای به دست آوردن نمایندگی پویای گراف
ناهمگن طراحی میکنیم .در نهایت ،آزمایشهای گستردهای را بر روی دو مجموعه داده واقعی (Twitter15
و )Twitter16انجام میدهیم و نتایج آزمایش نشان میدهد که روش پیشنهادی ما در تشخیص شایعه از
مدلهای رایج عملکرد بهتری دارد.
در آینده ،ما قصد داریم گرافهای چندوجهی را بررسی کنیم که قادر به یکپارچهسازی اطالعات
بیشتری مانند پروفایل کاربران ،تصاویر و دانش معنایی برای طبقهبندی شایعه هستند .عالوه بر این ،ما به
مطالعه سیستم پویایی انتشار شایعه در رسانههای اجتماعی میپردازیم و روشهای کارآمدتری برای
بررسی تغییرات پویایی در انتشار شایعه برای افزایش استحکام طبقهبندی شایعه را ارائه خواهیم داد.