摘要
社交媒体的普及使得谣言得以在数字世界中迅速传播，而谣言的传播可能引发社会恐慌和经济损失等多重威胁，特别是在重大事件发生时。因此，为了减轻谣言带来的不良影响，人们推出了众多的谣言检测方法。 图对比学习是一种基于正样本和负样本的学习方法。现有的谣言检测图对比学习方法主要集中在事件级对比学习上，同时在选择负样本时普遍为随机选取的方式。然而，虚假谣言传播速度快，传播分支短;真实谣言传播速度慢，传播分支长。且传播结构相似的事件具有更相似的语义信息，使得现有图对比学习方法会排斥语义相似的样本，导致模型精度不佳。为了解决上述问题，本文提出了三种基于图对比学习的谣言检测方法，主要贡献如下: (1)本文提出了一种基于课程对比学习的谣言检测方法。具体来说，受课程学习的启发，首先使用评分函数对负样本从简单到复杂进行排序，然后使用调步函数在不同的训练阶段中采用不同难度的负样本。最后，为了生成有价值的正样本，还深入研究了事件传播结构中的边和节点属性的关键性，并设计了三种不同的事件增强策略。 (2)本文提出了一种基于传播结构融合的节点级对比学习谣言检测方法。具体来说，首先在确定一个事件的传播结构后，采用数据增强技术得到了三个不同的增强传播结构。然后对每两个增强的传播结构进行了节点级的图对比学习，从而避免对语义相近的事件产生排斥。最后，受卷积神经网络从彩色图像中抽取特征的启发，设计了一种针对增强传播结构的融合策略，进而融合三个增强传播结构。 (3)本文提出了一种基于拟合Beta混合模型的对比学习谣言检测方法。具体来说，首先在确定一个事件的传播结构后，采用文本屏蔽以及边扰动得到两个增强的传播结构。然后，在两个增强传播结构间进行节点级对比学习，并根据样本的相似度对双组分(真-假)的Beta混合模型进行了拟合，从而确定负样本的真假性。最后，利用卷积神经网络融合两个增强的传播结构进而检测谣言。
NETL