[论文解读] Heterogeneous Graph Attention Networks for Early Detection of Rumors on Twitter

Qi Huang, Junshuai Yu+2 more|arXiv (Cornell University)|Jun 10, 2020

Misinformation and Its Impacts参考文献 25被引用 5

一句话总结

本文提出了一种基于元路径的异构图注意力网络（HGAT），将推文、词汇和用户统一建模于异构图中，以捕捉谣言文本中的全局语义关系以及结构化传播模式，实现对Twitter上谣言的早期检测。该方法在准确率方面优于最先进基线模型，并通过联合学习语义内容与传播动态，展现出强大的早期检测能力。

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.

研究动机与目标

• 解决现有谣言检测方法忽视文本内容中全局语义关系的局限性。
• 在统一的图框架中整合来自文本的全局语义信息与谣言的结构化传播模式。
• 通过利用语义表示与网络结构表示，实现在早期阶段的谣言检测。
• 在异构图中建模词汇、推文与用户之间的复杂相互作用，以提升检测性能。

提出的方法

• 基于文本内容与源推文传播数据，构建异构的推文-词汇-用户图。
• 根据预定义的元路径，将图分解为推文-词汇与推文-用户子图。
• 应用子图注意力网络，学习融合全局结构与语义信息的节点表示。
• 采用注意力机制融合来自不同子图的表示，以完成最终的谣言分类。
• 利用元路径引导消息传递过程，保持异构节点间语义与结构的相关性。
• 在真实世界Twitter数据集上端到端训练模型，以优化谣言检测性能。

实验结果

研究问题

• RQ1 文本内容中的全局语义关系是否能显著提升谣言检测性能，超越局部语义模式？
• RQ2 异构图注意力网络在谣言检测中，能否有效整合语义信息与传播结构信息？
• RQ3 与现有方法相比，所提出方法是否能以高准确率实现在早期阶段的谣言检测？
• RQ4 在单一异构图中建模用户、推文与词汇，是否能增强谣言检测的表征学习能力？

主要发现

• 所提出的HGAT模型在两个真实世界Twitter数据集上的谣言检测准确率方面，优于最先进基线模型。
• 该方法在早期阶段检测谣言的能力与现有方法相当，对及时干预至关重要。
• 从文本内容中整合全局语义关系显著提升了检测性能。
• 子图注意力机制有效捕捉了异构图中的局部与全局结构模式。
• 基于注意力的子图表示融合机制显著改善了最终分类结果。
• 该模型在不同谣言检测场景下表现稳健，验证了其泛化能力。