[논문 리뷰] Automatic Rumor Detection on Microblogs: A Survey

Juan Cao, Junbo Guo외 4명|arXiv (Cornell University)|2018. 07. 10.

Misinformation and Its Impacts참고 문헌 47인용 수 74

한 줄 요약

마이크로블로그에서의 자동 루머 탐지에 대한 포괄적 설문 조사로, handcrafted features, propagation-based, 및 neural network 접근법을 분석하고 데이터셋과 향후 방향을 제시한다.

ABSTRACT

The ever-increasing amount of multimedia content on modern social media platforms are valuable in many applications. While the openness and convenience features of social media also foster many rumors online. Without verification, these rumors would reach thousands of users immediately and cause serious damages. Many efforts have been taken to defeat online rumors automatically by mining the rich content provided on the open network with machine learning techniques. Most rumor detection methods can be categorized in three paradigms: the hand-crafted features based classification approaches, the propagation-based approaches and the neural networks approaches. In this survey, we introduce a formal definition of rumor in comparison with other definitions used in literatures. We summary the studies of automatic rumor detection so far and present details in three paradigms of rumor detection. We also give an introduction on existing datasets for rumor detection which would benefit following researches in this area. We give our suggestions for future rumors detection on microblogs as a conclusion.

연구 동기 및 목표

• 일관된 프레임워크를 위한 루머 탐지 문제를 정의하고 루머 정의를 명확히 한다.
• 세 가지 패러다임: handcrafted features, propagation-based, 및 neural networks에 걸쳐 기존의 루머 탐지 방법을 요약하고 비교한다.
• 이용 가능한 데이터셋을 검토하고 향후 연구를 위한 도전과제와 지침을 논의한다.

제안 방법

• 목표 루머의 형식적 정의와 루머 탐지 과제를 제시한다.
• 루머 탐지 방법을 handcrafted features, propagation-based, neural network 접근법으로 분류하고 분석한다.
• handcrafted features에서 사용되는 콘텐츠 및 사회적 맥락 특징과 그 분류 성능 시사점을 자세히 설명한다.
• propagation-based 방법은 사회적 그래프 위에서 신뢰도 네트워크를 구성하고 전파하는 방식을 설명한다.
• rumor detection를 위한 다중 모달 표현을 학습하는 neural network 접근법을 설명한다.

실험 결과

연구 질문

• RQ1 마이크로블로그의 자동 루머 탐지를 위한 주요 방법론 패러다임은 무엇이며, 그것들은 어떻게 비교되는가?
• RQ2 텍스트, 이미지, 사회적 맥락 전반에서 루머를 탐지하기 위해 어떤 특징과 학습 전략이 제안되었는가?
• RQ3 루머 탐지를 위한 데이터셋은 무엇이 있으며, 향후 연구의 핵심 도전과 방향은 무엇인가?

주요 결과

• handcrafted feature 방법은 텍스트, 시각적 특징 및 사회적 맥락 특징에 의존하지만, 특징이 누락될 경우 불안정할 수 있다.
• propagation-based 접근은 신뢰도를 네트워크로 모델링하고 수렴될 때까지 정보를 전파한다.
• neural network 접근은 다중 모달 표현을 공동으로 학습하고 탐지 성능을 향상시킨다.
• 데이터셋과 향후 방향에 대해 논의하여 마이크로블로그에서의 초기 및 견고한 루머 탐지를 발전시킨다.