基于图卷积网络的谣言鉴别研究

摘要：

随着大数据时代的演进,互联网中的谣言成井喷状涌现.目前网络谣言鉴别方法中,基于监督学习的模型在训练过程中需要大量标注数据,同时网络谣言的人工标注用时较长,故提出采用半监督学习的图卷积神经网络,可有效利用无标注数据.通过在有标注节点上训练模型,更新所有节点共享的权重矩阵,将有标注节点信息传播给无标注节点,同时解决监督学习模型泛化能力不强和无监督学习模型不稳定的问题.与基于SVM算法、逻辑回归算法和BiLSTM模型的三种网络谣言鉴别方法相比,该方法在召回率、F1值两个评价指标上分别达到86.1％、85.3％,进一步提升了网络谣言鉴别的准确性和稳定性.该方法可有效减少人工标注代价,鉴别社交媒体和网络新闻中的谣言,为网络谣言的治理提供新思路.

关键词：谣言鉴别、半监督学习、图卷积神经网络

所属期刊栏目：57

分类号：TP391(计算技术、计算机技术)

资助基金：北京市高创计划青年拔尖人才项目;领军人才项目;北京物资学院基层学术团队建设项目

在线出版日期：2021-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：161-167