在多模态的谣言检测方向，除了将新闻内容进行编码以外，最近的很多工作通过使用图神经网络来描述用户间的关系，通过将不同模态的信息结合，可以显著提高谣言检测的效果。
相比于之前的工作，本文从一个特殊的角度出发来使用GCN。以前使用GCN搭建用户、评论、转发等之间的关系网络，其所依赖的一个先验知识或者说基本假设是，相关联的用户、评论、转发等的可信度是呈正相关的，即物以类聚，人以群分。但是本文指出，现在的一些谣言制造者常常以伪造信用的方式来提高谣言的可信度。
图1 四种谣言伪装方法
图1所描述的是四种常见的谣言伪装方法，图中红色的用户是曾发出或转推过谣言的用户，称之为“坏用户”，蓝色的“好用户”则未曾发出或转推过谣言，同理红色的推文为谣言，蓝色的则是真实或无关的推文。(a)指的是坏用户买粉或是被一些不明真相的好用户所关注，(b)指的是坏用户发布真实推文来提高自身可信度，(c)指的是坏用户删除负面评论，(d)指的是坏用户盗用好用户的账户来散布谣言。首先根据用户、推文、评论、关注与被关注的关系来生成一个关系图，再根据上面的四种方式来添加或删除边以模拟伪装，(a)即添加好用户和坏用户之间的边，(b)即添加坏用户和真实推文之间的边，(c)即删除谣言和负面评论之间的边，(d)即添加好用户和谣言之间的边。
图2 模型总体结构
模型的整体结构如图2所示，使用GCN对真实的和伪造的关系图进行编码以用于对抗学习。再使用transformer的多头注意力、CNN和池化来生成推文的文本表示，再将二者生成的特征进行拼接，组成最终的推文表示，最后通过一个全连接层进行二分类。
图3 实验结果
相比于之前方法，本文的方法CGAT在微博和推特两个数据集上都达到了很好的效果，且并没有因为语言种类的不同而导致检测效果有所偏差。
图4 消融实验
在消融实验上，CGAT-TEXT、CGAT-ADJ、CGAT-GP、CGAT-M分别表示只使用文本、只使用真实关系图、使用另一种图对抗攻击方法[Aleksandar Bojchevski and Stephan Gunnemann. Adversarial attacks on node embeddings via graph poisoning. In ICML, pages 695–704, 2019.]、不使用action mask矩阵M，使得两个节点间的边可被添加或删除。可见本文方法的不同模块都对检测效果的提升做出了贡献。
论文信息：Yang X, Lyu Y, Tian T, et al. Rumor detection on social media with graph structured adversarial learning[C]//Proceedings of the Twenty-Ninth International Conference on International Joint Conferences on Artificial Intelligence. 2021: 1417-1423.
论文链接：https://www.ijcai.org/Proceedings/2020/0197.pdf
声明：本文来自隐者联盟，版权归作者所有。文章内容仅代表作者独立观点，不代表安全内参立场，转载目的在于传递更多信息。如有侵权，请联系 anquanneican@163.com。
