典型文献
基于图卷积网络的归纳式微博谣言检测新方法
文献摘要：
为了解决传统图卷积神经网络在进行谣言检测时面临的未充分考虑单词语义信息以及池化方法选择困难的问题,提出基于图卷积网络(GCN)的归纳式微博谣言检测新方法.考虑单词之间的语义关系,结合传统词共现建图方法提出基于词语义相关性的微博事件建图方法,并结合图卷积网络和门循环单元(GRU)实现节点信息聚合;为了有效融合不同节点状态的特征信息,提出基于注意力机制的多池化方法融合策略融合最大池、平均池和全局池以获取最终的图级向量;为了提高微博谣言检测效率,探究微博评论时间对检测结果的影响,获得用于模型训练的最佳评论利用时间阈值.实验结果表明,本研究方法在给定数据集上的表现普遍优于Text-CNN、Bi-GCN、TextING等典型方法,验证了其在微博谣言检测领域的有效性.
文献关键词：
谣言检测;图卷积网络;微博事件;门循环单元;注意力机制
中图分类号：
作者姓名：
王友卫;童爽;凤丽洲;朱建明;李洋;陈福
作者机构：
中央财经大学 信息学院,北京 100081;天津财经大学 统计学院,天津 300222
文献出处：
引用格式：
[1]王友卫;童爽;凤丽洲;朱建明;李洋;陈福-.基于图卷积网络的归纳式微博谣言检测新方法)[J].浙江大学学报（工学版）,2022(05):956-966
A类：
TextING
B类：
图卷积网络,归纳式,式微,微博谣言,谣言检测,图卷积神经网络,单词,词语,语义信息,池化,方法选择,GCN,语义关系,词共现,建图方法,语义相关性,微博事件,门循环单元,GRU,节点信息,信息聚合,有效融合,点状,特征信息,注意力机制,方法融合,融合策略,策略融合,检测效率,微博评论,得用,模型训练,佳评,Bi,检测领域
AB值：
0.324998
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
