[論文レビュー] Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks

Tian Bian, Xi Xiao+5 more|arXiv (Cornell University)|Jan 17, 2020

Misinformation and Its Impacts参考文献 28被引用数 21

ひとこと要約

本稿では、有向リムールツリー上の二重グラフ畳み込みを活用することで、ソーシャルメディアにおける上位からの拡散と下位からの分散パターンを同時に捉える、GCNに基づく新規モデルであるBi-Directional Graph Convolutional Networks (Bi-GCN) を提案する。各層でソース投稿特徴を統合し、DropEdgeを用いた正則化を施すことで、3つの実世界データセットにおいて、両方のリムール検出および早期検出で最先端の性能を達成した。

ABSTRACT

Social media has been developing rapidly in public due to its nature of spreading new information, which leads to rumors being circulated. Meanwhile, detecting rumors from such massive information in social media is becoming an arduous challenge. Therefore, some deep learning methods are applied to discover rumors through the way they spread, such as Recursive Neural Network (RvNN) and so on. However, these deep learning methods only take into account the patterns of deep propagation but ignore the structures of wide dispersion in rumor detection. Actually, propagation and dispersion are two crucial characteristics of rumors. In this paper, we propose a novel bi-directional graph model, named Bi-Directional Graph Convolutional Networks (Bi-GCN), to explore both characteristics by operating on both top-down and bottom-up propagation of rumors. It leverages a GCN with a top-down directed graph of rumor spreading to learn the patterns of rumor propagation, and a GCN with an opposite directed graph of rumor diffusion to capture the structures of rumor dispersion. Moreover, the information from the source post is involved in each layer of GCN to enhance the influences from the roots of rumors. Encouraging empirical results on several benchmarks confirm the superiority of the proposed method over the state-of-the-art approaches.

研究の動機と目的

• リムール拡散のグローバル構造的パターンをモデル化できない、手作業特徴やRvNNなどの逐次モデルに依存する既存のリムール検出手法の限界を解消する。
• 拡散方向性を失う undirected GCNs (UD-GCN) やグローバルグラフ構造をモデル化できないCNNの短所を克服する。
• リムール拡散ツリーにおける上位からの伝播と下位からの分散を同時にモデル化する統一されたディープラーニングフレームワークを構築する。
• 伝播および分散パターンからの構造的表現を活用することで、早期リムール検出を改善する。
• 各GCN層でのソース投稿特徴の統合とDropEdge正則化を適用することで、モデルのロバスト性と性能を向上させる。

提案手法

• リムール拡散ツリーから、伝播用の上位からの（TD）グラフと分散用の下位からの（BU）グラフを構築する。
• TDおよびBU両方のグラフにグラフ畳み込みネットワーク（GCNs）を適用し、リムール伝播と構造的分散の高レベル表現を学習する。
• 各GCN層で隠れ表現とソース投稿の特徴を連結することで、ルートの影響を強化し、特徴学習を改善する。
• TD-GCNおよびBU-GCNの最終的表現を全結合層で統合し、エンドツーエンド分類を実現する。
• 訓練中にDropEdgeを適用し、グラフからランダムにエッジを削除することで過学習を防ぎ、一般化性能を向上させる。
• ReLU活性化関数と残差接続を備えたマルチレイヤーGCNアーキテクチャを用い、リムール構造内の階層的パターンを捉える。

実験結果

リサーチクエスチョン

• RQ1 GCNベースのモデルは、リムール拡散における因果的伝播パターンと構造的分散パターンの両方を効果的に捉えることができるか？
• RQ2 各GCN層でのソース投稿特徴の統合は、標準GCNやRvNNと比較して、リムール検出性能を顕著に向上させるか？
• RQ3 Bi-GCNは、単方向GCN（TD-GCN、BU-GCN）および非有向GCN（UD-GCN）と比較して、検出精度において優れているか？
• RQ4 伝播および分散からの構造的特徴を活用することで、本モデルは優れた早期リムール検出性能を達成できるか？
• RQ5 DropEdgeは、グラフ構造データを用いたリムール検出において、一般化性能を向上させ、過学習を軽減する程度はどの程度か？

主な発見

• Bi-GCNは、Weibo、Twitter15、Twitter16の3つの実世界データセットで最先端の性能を達成し、RvNN、SVM、DTCを含むすべてのベースライン手法を、正解率およびF1スコアの両面で上回った。
• アブレーションスタディの結果、各GCN層でのソース投稿特徴の連結が性能向上に顕著に寄与しており、ネットワーク全体にわたりルート特徴を統合した場合に最も優れた結果が得られた。
• Bi-GCNは、UD-GCN、TD-GCN、BU-GCNを一貫して上回り、上位からの伝播と下位からの分散を同時にモデル化する必要性を裏付けた。
• 早期リムール検出において、Bi-GCNはソース投稿後1〜2時間以内という極めて早い段階でも高い正解率を達成し、RvNNや他のベースラインを著しく上回った。
• モデルの性能はデータセット間で一貫して高く、Weiboデータセットでは最高のF1スコア0.872、Twitter16では0.821を記録し、優れた一般化性能を示した。
• DropEdgeは過学習を効果的に軽減しており、バリデーション性能の向上と、すべてのデータセットおよび評価指標で一貫した向上が確認された。