近日，深蘭科技旗下深蘭科學(xué)院投稿的《基于二部特定事件樹的分層表示的謠言檢測(cè)》(Rumor Detection With Hierarchical Representation on Bipartite Ad Hoc Event Trees)研究論文被全球人工智能領(lǐng)域頂級(jí)期刊《IEEE Transactions on Neural Networks and Learning Systems》(IEEETNNLS)收錄并發(fā)表。BAET多模態(tài)謠言檢測(cè)模型在PHEME1和RumorEval2兩個(gè)數(shù)據(jù)集的有效性應(yīng)用測(cè)評(píng)上，性能領(lǐng)先于SOTA方法。
論文首次提出的謠言檢測(cè)模型BAET，是通過提取事件元素，將由流通中的根帖子組織轉(zhuǎn)換為帖子和作者的二分特定事件樹，基于詞嵌入編碼器，構(gòu)建多層次RNN模型，以此對(duì)事件樹的結(jié)構(gòu)進(jìn)行表征，并提出一個(gè)樹感知注意模塊來分別學(xué)習(xí)作者樹和帖子樹的樹表示。
圖1：BAET的總體架構(gòu)
本篇論文采用從社交平臺(tái)Twitter上可收集到的PHEME1和RumorEval2兩個(gè)公開可用的數(shù)據(jù)集進(jìn)行評(píng)估，其中，PHEME數(shù)據(jù)集包含五個(gè)突發(fā)新聞事件，RumorEval涉及八個(gè)突發(fā)新聞，兩個(gè)數(shù)據(jù)集都包含帖子文本、作者信息、時(shí)間戳和傳播信息。在兩個(gè)公共數(shù)據(jù)集上的大量實(shí)驗(yàn)結(jié)果，證明了BAET在探索和利用謠言傳播結(jié)構(gòu)方面的有效性以及BAET相對(duì)于目前世界最先進(jìn)的基線方法檢測(cè)的優(yōu)越性。
在評(píng)估中，開發(fā)團(tuán)隊(duì)根據(jù)準(zhǔn)確度、精密度、召回率和F1-score四個(gè)評(píng)估指標(biāo)，展示了不同基線模型與BAET模型的性能對(duì)比。評(píng)估數(shù)據(jù)顯示，深蘭科學(xué)院提出的BAET多模態(tài)謠言檢測(cè)模型，在基于PHEME1和RumorEval2這兩組公開可用數(shù)據(jù)集的評(píng)估中，得分均刷新了原有的世界紀(jì)錄。
其中在PHEME數(shù)據(jù)集評(píng)估中，BAET模型在準(zhǔn)確度、精密度、召回率和F1-score這四個(gè)指標(biāo)上的得分，分別高出原世界紀(jì)錄1.19分、0.67分、2.17分和1.75分;而在RumorEval數(shù)據(jù)集評(píng)估中，BAET模型四個(gè)指標(biāo)的得分，則分別高出原世界紀(jì)錄1.28分、1.135分、1.32分和1.38分。
圖2：本文提出的BAET模型的性能領(lǐng)先于目前SOTA方法
最終評(píng)估結(jié)果表明，BAET模型在探索和利用謠言傳播結(jié)構(gòu)方面的有效性，無論是單項(xiàng)性能，還是綜合指標(biāo)，都大幅領(lǐng)先于其他最先進(jìn)的基線模型。
BAET謠言檢測(cè)模型主要由節(jié)點(diǎn)級(jí)表示、結(jié)構(gòu)級(jí)表示和預(yù)測(cè)層三個(gè)關(guān)鍵模塊構(gòu)成。其中，節(jié)點(diǎn)級(jí)表示模塊包含有TNP和RAL兩個(gè)子模塊，結(jié)構(gòu)層次表示模塊也包含有TRvNN和TAL兩個(gè)子模塊，這兩個(gè)模塊都被應(yīng)用于帖子樹和作者樹，用來分別學(xué)習(xí)帖子節(jié)點(diǎn)和作者節(jié)點(diǎn)的更多信息表示，而預(yù)測(cè)層模塊則是用來對(duì)謠言和非謠言進(jìn)行分類。
在當(dāng)前全互聯(lián)網(wǎng)飛速發(fā)展的時(shí)代，社交媒體成了滋生虛假信息的最佳“溫床”，一段文字、一張圖片，就可以編造出一段聳人聽聞的謠言。而這些對(duì)損害他人名譽(yù)、制造群體對(duì)立、破壞社會(huì)的和諧穩(wěn)定等方面均有負(fù)面影響，運(yùn)用AI技術(shù)來治理網(wǎng)絡(luò)謠言，已經(jīng)成為具有社會(huì)責(zé)任感的AI企業(yè)的重要研究課題。此次論文結(jié)果不僅驗(yàn)證了BAET模型在社交信息多模態(tài)檢測(cè)方面的技術(shù)優(yōu)越性，更重要的是證明了該模型在網(wǎng)絡(luò)謠言檢測(cè)治理方面有著巨大的應(yīng)用潛力。
據(jù)了解，《IEEE Transactions on Neural Networks and Learning Systems》是由國(guó)際電氣和電子工程師協(xié)會(huì)(IEEE)于1990年創(chuàng)辦，目標(biāo)是在理論、算法和應(yīng)用方面推動(dòng)神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)的發(fā)展，涵蓋了神經(jīng)網(wǎng)絡(luò)、機(jī)器學(xué)習(xí)、計(jì)算智能等方面的研究領(lǐng)域，期刊的影響因子為10.4，分別被SCI中科院和JCR列為一區(qū)TOP期刊。IEEE TNNLS期刊所錄用的論文，必須經(jīng)由知名學(xué)者和專家組成的評(píng)審團(tuán)隊(duì)的評(píng)審，以確保論文具有學(xué)術(shù)獨(dú)創(chuàng)性、科學(xué)性和技術(shù)深度。
（免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請(qǐng)進(jìn)一步核實(shí)，并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏，概不負(fù)任何法律責(zé)任。
任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí)，應(yīng)及時(shí)向本網(wǎng)站提出書面權(quán)利通知或不實(shí)情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后，將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí)，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
