[论文解读] Estimating collective judgement of rumours in social media.

Michał Łukasik, Trevor Cohn+1 more|arXiv (Cornell University)|Jun 1, 2015

Misinformation and Its Impacts参考文献 13被引用 6

一句话总结

本文提出一种监督学习方法，通过利用标注示例来估计社交媒体中的谣言集体判断，结合监督与无监督领域自适应技术，以泛化共享特征与个体特征的谣言。在七则谣言的数千条推文上的评估表明，该方法能成功预测个体与集体判断。

ABSTRACT

Social media is a rich source of rumours and corresponding community reactions. Determining the extent of community belief in a rumour is of value for marketing, politics and journalism. Moreover, collective judgements have been shown to correlate with ground truth. We formulate the problem of estimating the collective judgement of a rumour in social media as a supervised learning using annotated examples. Rumours reflect different characteristics, some shared and some individual. We consider both supervised and unsupervised domain adaptation, in which rumour predictions are made on the basis of other annotated rumours. Evaluation on a set of several thousands tweets on seven rumours shows that we can successfully predict individual and collective judgements.

研究动机与目标

• 对社交媒体平台中谣言的集体人类判断进行建模与预测。
• 解决在标注数据有限的情况下估计谣言社区信念的挑战。
• 探索监督与无监督领域自适应技术，以实现跨谣言的泛化。
• 在涉及多则谣言的真实社交媒体数据上评估这些方法的有效性。

提出的方法

• 将谣言判断估计问题形式化为使用标注社交媒体帖子的监督学习问题。
• 应用监督领域自适应，将已标注谣言的知识迁移至新的未标注谣言。
• 采用无监督领域自适应，在无需额外标注的情况下实现模型在不同谣言间的适应。
• 使用从推文内容与社区反应中提取的特征来表示谣言特征。
• 在包含七则不同谣言的数千条推文数据集上训练并评估模型。

实验结果

研究问题

• RQ1 能否通过在标注示例上使用监督学习，准确估计社交媒体中谣言的集体判断？
• RQ2 领域自适应在提升不同谣言间判断预测性能方面的有效性如何？
• RQ3 谣言的共享特征与个体特征在多大程度上影响预测性能？
• RQ4 无监督领域自适应能否在无需额外标注的情况下有效泛化至新谣言？

主要发现

• 所提出方法成功利用标注训练数据预测了谣言的个体与集体判断。
• 监督领域自适应在知识跨相似谣言迁移时提升了预测性能。
• 无监督领域自适应使模型能够在无需额外标注的情况下有效泛化至新谣言。
• 该模型在多样化谣言上表现出可靠性能，表明对谣言特征差异具有鲁棒性。