[논문 리뷰] Heterogeneous Graph Attention Networks for Early Detection of Rumors on Twitter

Qi Huang, Junshuai Yu외 2명|arXiv (Cornell University)|2020. 06. 10.

Misinformation and Its Impacts참고 문헌 25인용 수 5

한 줄 요약

이 논문은 텍스트의 전반적인 의미 관계와 구조적 확산 패턴을 동시에 고려하여 트위터에서의 초기 소문 탐지에 적합한 메타패스 기반 이종 그래프 어텐션 네트워크(HGAT)를 제안한다. 제안된 방법은 정확도에서 최신 기술보다 뛰어나며, 의미적 내용과 확산 역학을 동시에 학습함으로써 초기 단계에서의 소문 탐지 능력이 뛰어나다.

ABSTRACT

With the rapid development of mobile Internet technology and the widespread use of mobile devices, it becomes much easier for people to express their opinions on social media. The openness and convenience of social media platforms provide a free expression for people but also cause new social problems. The widespread of false rumors on social media can bring about the panic of the public and damage personal reputation, which makes rumor automatic detection technology become particularly necessary. The majority of existing methods for rumor detection focus on mining effective features from text contents, user profiles, and patterns of propagation. Nevertheless, these methods do not take full advantage of global semantic relations of the text contents, which characterize the semantic commonality of rumors as a key factor for detecting rumors. In this paper, we construct a tweet-word-user heterogeneous graph based on the text contents and the source tweet propagations of rumors. A meta-path based heterogeneous graph attention network framework is proposed to capture the global semantic relations of text contents, together with the global structure information of source tweet propagations for rumor detection. Experiments on real-world Twitter data demonstrate the superiority of the proposed approach, which also has a comparable ability to detect rumors at a very early stage.

연구 동기 및 목표

• 기존의 소문 탐지 방법이 텍스트 내용 내 전반적인 의미 관계를 간과하는 데서 비롯되는 한계를 해결하기 위해.
• 텍스트에서의 전반적인 의미 정보를 소문의 구조적 확산 패턴과 통합하여 단일 그래프 프레임워크에서 통합하기 위해.
• 의미적 표현과 네트워크 구조 표현을 활용하여 초기 단계의 소문 탐지 기능을 가능하게 하기 위해.
• 성능 향상을 위해 단어, 트윗, 사용자 간의 복잡한 상호작용을 이종 그래프에서 모델링하기 위해.

제안 방법

• 텍스트 내용과 원본 트윗의 확산 데이터를 기반으로 이종 트윗-단어-사용자 그래프를 구축한다.
• 사전 정의된 메타패스에 따라 그래프를 트윗-단어 및 트윗-사용자 부분 그래프로 분해한다.
• 전체적인 구조적 및 의미적 정보를 포함한 노드 표현을 학습하기 위해 부분 그래프 어텐션 네트워크를 적용한다.
• 최종 소문 분류를 위해 서로 다른 부분 그래프에서 유래한 표현을 어텐션 메커니즘을 통해 융합한다.
• 메타패스를 활용하여 메시지 전달 과정을 지도함으로써 이종 노드 간의 의미적 및 구조적 관련성을 유지한다.
• 실세계 트위터 데이터셋에서 모델을 엔드 투 엔드로 훈련하여 소문 탐지 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 텍스트 내용 내 전반적인 의미 관계가 국소적 의미 패턴을 넘어서 소문 탐지 성능을 크게 향상시킬 수 있는가?
• RQ2 이종 그래프 어テン션 네트워크가 의미적 정보와 확산 구조 정보를 효과적으로 통합하여 소문 탐지에 기여할 수 있는가?
• RQ3 기존 방법과 비교해 볼 때 제안된 방법이 높은 정확도로 초기 단계에서 소문을 탐지할 수 있는가?
• RQ4 사용자, 트윗, 단어를 하나의 이종 그래프에서 함께 모델링함으로써 소문 탐지에 대한 표현 학습 성능이 향상되는가?

주요 결과

• 제안된 HGAT 모델은 두 개의 실세계 트위터 데이터셋에서 최신 기술 대비 뛰어난 소문 탐지 정확도를 달성한다.
• 시간적 대응이 중요한 만큼 초기 단계에서 소문을 탐지할 수 있는 능력이 기존 방법과 유사하게 유지된다.
• 텍스트 내용으로부터의 전반적인 의미 관계 통합이 탐지 성능 향상에 크게 기여한다.
• 부분 그래프 어텐션 메커니즘이 이종 그래프 내 국소적 및 전반적인 구조적 패턴을 효과적으로 포착한다.
• 트윗-단어 및 트윗-사용자 부분 그래프에서 유래한 표현의 어텐션 기반 융합이 최종 분류 성능 향상에 기여한다.
• 모델의 성능은 다양한 소문 탐지 시나리오에서 뛰어난 일반화 능력을 입증하며 안정적이다.