PLAN：关注用户交互的可解释微博谣言检测

2022-06-11 219

版权

本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。

简介： PLAN：关注用户交互的可解释微博谣言检测

论文标题：Interpretable Rumor Detection in Microblogs by Attending to User Interactions

论文链接：https://arxiv.org/abs/2001.10667

论文来源：AAAI 2020

一、概述

本文工作的重点是利用社区对帖子响应回复来检测帖子是否是谣言，这方面的研究旨在使用自然语言处理技术来利用社区群体智能。这类工作的关键原则是，社交媒体上的用户会发表对不准确信息的看法、猜测和证据。用户之间的互动以及分享的内容可以被捕捉，用于假新闻检测。下面是一个假新闻及其评论的样本：

QQ截图20220612092555.png

example

之前有方法将源推文和响应推文组织成上述树状结构，节点的父亲节点是该推文所回复的推文，然后使用树模型（递归神经网络或者tree LSTMs等）来进行谣言检测，目的是对对话过程中的结构信息进行建模。在树形结构中，信息要么从父亲节点流向子节点，要么反过来，然而使用这样的树形结构来建模对话过程的结构可能是不够的。每个用户通常都能观察到对话中不同分支的所有回复。一个用户揭穿一个假新闻可能不只是针对他要回复的人，他发表的内容可能也针对整个对话过程中的其他推文（这说明树的不同分支的节点之间也可能有交互）。树模型不能建模不同分支的节点之间的交互，这是它的主要限制。我们应该考虑所有推文之间的交互，而不仅仅是父亲节点和子节点之间的交互，以便更好地从回复推文中聚合信息。

本文致力于解决上述限制，我们将树形结构展平，按照推文发表的时间顺序来将所有推文组织成序列结构。本文基于transformer架构提出post-level attention model (PLAN)，能够允许所有推文之间的两两交互，进一步通过引入结构信息（structure aware）来改进模型（StA-PLAN），再进一步设计一种 structure aware hierarchical token post-level attention network (StA-HiTPLAN)来学习每篇推文的更复杂的表示。

二、方法

问题定义

QQ截图20220611182002.png

QQ截图20220611194339.png

Transformer架构

Transformer模型用来学习输入序列的长程依赖关系，应用这一特性，我们就可以利用transformer来学习展平的推文序列任意推文之间的两两交互关系。本小节简要介绍一下transformer的multi-head attention (MHA)层，构成transformer的每一层都包含一个self-attention子层和一个前馈子层，其中self-attention层是multi-head的，简要介绍self-attention层架构如下：

QQ截图20220611194438.png

QQ截图20220611194538.png

QQ截图20220611194607.png

对transformer不熟悉的同学可以参考：

①Transformer：Attention Is All You Need

②Transformer|深度学习（李宏毅）（八）

Post-Level Attention Network (PLAN)

下图(a)展示了PLAN的架构：

QQ截图20220612092626.png

架构

QQ截图20220611194712.png

QQ截图20220611194753.png

QQ截图20220611194845.png

Structure Aware Post-Level Attention Network (StA-PLAN)

PLAN因为展平树形结构使用序列作为输入而丢失了结构信息，StA-PLAN使用以下方式来引入结构信息：

QQ截图20220611194923.png

QQ截图20220611194954.png

Structure Aware Hierarchical Token and Post-Level Attention Network (StA-HiTPLAN)

在获得推文的句子表示时采用的是max-pooling的方法，可以考虑采用更理想的方式来学习推文内token的重要性，于是我们提出了一个hierarchical attention model，也就是现在token-level进行attention来学习句子表示，然后再进行post-level attenion。StA-HiTPLAN的架构如上图(b)所示（上图中Tweet Level Self-Attention下面的两个方框画反了）。

QQ截图20220611195025.png

Time Delay Embedding

不同时间间隔创建的推文可能会有不同的作用。在源推文刚刚创建时，由于其是未经验证的，因此会有一些推文表达不信任，而在传播过程的后期，表达质疑的推文很可能表明源推文是假的。因此本文提出一种方法来编码时间延迟信息。

为了包含每条推文的时间延迟信息，我们根据创建源推文时的延迟对推文进行划分。总计bin数量为100，每个时间bin为10分钟间隔，推文延迟超过1000分钟的归入最后一个bin。利用transfomer原论文中类似的positional encoding来编码每个时间bin，得到的time delay embedding将与推文的句子embedding相加。每个推文的time delay embedding（TDE）为：

QQ截图20220611195134.png

QQ截图20220611195158.png

三、实验

数据集

本文实验在Twitter15和Twitter16以及PHEME数据集上进行，以下是两个数据集的统计情况：

QQ截图20220612092731.png

数据集统计

实验

QQ截图20220611195237.png

下面是在所有数据集上的实验效果：

QQ截图20220612092806.png

Twitter15和Twitter16

QQ截图20220612092842.png

PHEME

可解释性

Post-Level Explanations

QQ截图20220611195237.png

QQ截图20220612092932.png

example

Token-Level Explanation

可以使用token-level self-attention的自注意力权重来进行token-level的解释。比如评论“@inky mark @CP24 as part of a co-op criminal investigation one would URL doesn’t need facts to write stories it appears.”中短语“facts to write stories it appears”表达了对源推文的质疑，下图的自注意力权重图可以看出大量权重集中在这一部分，这说明这个短语就可以作为一个解释：

QQ截图20220612093016.png