[论文解读] Automatic Rumor Detection on Microblogs: A Survey

Juan Cao, Junbo Guo+4 more|arXiv (Cornell University)|Jul 10, 2018

Misinformation and Its Impacts参考文献 47被引用 74

一句话总结

对微博上的自动谣言检测的综合综述，分析手工特征、传播基础和神经网络方法，包含数据集及未来方向。

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.

研究动机与目标

• 定义谣言检测问题并为统一框架澄清谣言定义。
• 总结并比较现有谣言检测方法 across 三种范式：手工特征、传播基础、和神经网络。
• 回顾可用数据集并讨论挑战和未来研究的指导。

提出的方法

• 给出客观谣言及谣言检测任务的形式定义。
• 将谣言检测方法分为手工特征、传播基础、和神经网络方法并进行分类分析。
• 详细说明手工方法中使用的内容与社交上下文特征及其对分类性能的影响。
• 解释传播基础的方法，构建并在社交图上传播可信度网络直到收敛。
• 讨论学习多模态表征以用于谣言检测的神经网络方法。

实验结果

研究问题

• RQ1 微博自动谣言检测的主要方法范式是什么，它们如何比较？
• RQ2 针对文本、图像和社交上下文，提出了哪些特征和学习策略来检测谣言？
• RQ3 存在哪些用于谣言检测的数据集，未来研究的关键挑战与方向是什么？

主要发现

• 手工特征方法依赖文本、视觉和社交上下文特征，但在缺失特征时可能不稳定。
• 基于传播的方法将可信度建模为一个网络并在收敛之前传播信息。
• 神经网络方法联合学习多模态表征并提高检测性能。
• 将讨论数据集与未来方向，以推动微博的早期和鲁棒谣言检测。