[论文解读] Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks

Tian Bian, Xi Xiao+5 more|arXiv (Cornell University)|Jan 17, 2020

Misinformation and Its Impacts参考文献 28被引用 21

一句话总结

本文提出双向图卷积网络（Bi-GCN），一种基于GCN的新模型，通过在有向谣言传播树上应用双图卷积，联合捕捉社交媒体中自上而下的谣言传播与自下而上的扩散模式。通过在每一层整合源头帖子特征并使用DropEdge进行正则化，Bi-GCN在三个真实世界数据集上的谣言检测与早期检测任务中均达到最先进性能。

ABSTRACT

Social media has been developing rapidly in public due to its nature of spreading new information, which leads to rumors being circulated. Meanwhile, detecting rumors from such massive information in social media is becoming an arduous challenge. Therefore, some deep learning methods are applied to discover rumors through the way they spread, such as Recursive Neural Network (RvNN) and so on. However, these deep learning methods only take into account the patterns of deep propagation but ignore the structures of wide dispersion in rumor detection. Actually, propagation and dispersion are two crucial characteristics of rumors. In this paper, we propose a novel bi-directional graph model, named Bi-Directional Graph Convolutional Networks (Bi-GCN), to explore both characteristics by operating on both top-down and bottom-up propagation of rumors. It leverages a GCN with a top-down directed graph of rumor spreading to learn the patterns of rumor propagation, and a GCN with an opposite directed graph of rumor diffusion to capture the structures of rumor dispersion. Moreover, the information from the source post is involved in each layer of GCN to enhance the influences from the roots of rumors. Encouraging empirical results on several benchmarks confirm the superiority of the proposed method over the state-of-the-art approaches.

研究动机与目标

• 解决现有谣言检测方法依赖手工特征或序列模型（如RvNN）的局限性，这些方法无法有效建模谣言传播中的全局结构模式。
• 克服无向GCN（UD-GCN）丢失传播方向性以及CNN无法建模全局图结构的不足。
• 构建一个统一的深度学习框架，同时建模谣言传播树中的自上而下传播与自下而上扩散模式。
• 通过利用传播与扩散模式的结构表示，提升早期谣言检测性能。
• 通过在每个GCN层整合源头帖子特征并应用DropEdge正则化，增强模型鲁棒性与性能。

提出的方法

• 从谣言传播树构建两个有向图：用于传播的自上而下（TD）图与用于扩散的自下而上（BU）图。
• 在TD图与BU图上分别应用图卷积网络（GCNs），以学习谣言传播与结构扩散的高层表示。
• 在每个GCN层将源头帖子的特征与隐藏表示拼接，以增强根节点影响并改善特征学习。
• 通过全连接层融合TD-GCN与BU-GCN的最终表示，实现端到端分类。
• 在训练过程中应用DropEdge，通过随机移除图中边来防止过拟合，提升泛化能力。
• 采用多层GCN架构，结合ReLU激活函数与残差连接，以捕捉谣言结构中的层次化模式。

实验结果

研究问题

• RQ1 基于GCN的模型能否有效捕捉谣言传播中的因果传播模式与结构扩散模式？
• RQ2 与标准GCN或RvNN相比，在每个GCN层整合源头帖子特征是否能显著提升谣言检测性能？
• RQ3 在检测准确率方面，所提出的双向GCN（Bi-GCN）相较于单向GCN（TD-GCN、BU-GCN）与无向GCN（UD-GCN）表现如何？
• RQ4 通过融合传播与扩散的结构特征，该模型能否实现更优的早期谣言检测性能？
• RQ5 DropEdge在图结构化数据的谣言检测中，能在多大程度上提升泛化能力并减少过拟合？

主要发现

• Bi-GCN在三个真实世界数据集（Weibo、Twitter15、Twitter16）上均达到最先进性能，无论在准确率还是F1分数上均优于所有基线方法，包括RvNN、SVM与DTC。
• 消融实验表明，在每个GCN层拼接源头帖子特征能显著提升性能，且当根特征在整个网络中持续集成时取得最佳结果。
• Bi-GCN始终优于UD-GCN、TD-GCN与BU-GCN，证明同时建模自上而下传播与自下而上扩散的必要性。
• 在早期谣言检测中，Bi-GCN即使在源头帖子发布后1–2小时内也能实现高准确率，显著优于RvNN及其他基线方法。
• 该模型在不同数据集上表现稳定，Weibo数据集F1最高达0.872，Twitter16数据集达0.821，表明其具备强大泛化能力。
• DropEdge有效减少过拟合，表现为验证性能提升，并在所有数据集与评估指标上均取得一致增益。