Rumor Detection with a novel graph neural network approach

社交媒体上广泛传播的谣言对人们的日常生活造成了负面影响，可能导致公众恐慌、恐惧和心理健康问题。如何尽早揭穿谣言仍然是一个具有挑战性的问题。现有的研究主要利用信息传播结构来检测谣言，而很少有研究关注用户之间的相关性，他们可能会协调传播谣言以获得大量的关注度。本文提出了一种新的检测模型，它同时学习用户相关性和信息传播的表示，以检测社交媒体上的谣言。具体而言，我们利用图神经网络从描述用户和源推文之间关系的二分图中学习用户相关性的表示，同时利用树结构学习信息传播的表示。然后，我们将这两个模块学习到的表示相结合，以分类谣言。由于恶意用户意图在部署后破坏我们的模型，我们进一步开发了一种贪婪攻击方案，以分析三种对抗攻击的成本：图攻击、评论攻击和联合攻击。在两个公共数据集上的评估结果表明，所提出的模型优于最先进的谣言检测模型。我们还证明了我们的方法在早期谣言检测方面表现良好。此外，与最佳现有方法相比，所提出的检测方法更具有对抗攻击的鲁棒性。重要的是，我们展示了攻击者需要付出高昂的代价才能颠覆用户相关性模式，这证明了考虑用户相关性对于谣言检测的重要性。

本论文旨在解决社交媒体上谣言广泛传播的问题，提出了一种新的检测模型，旨在联合学习用户相关性和信息传播的表示形式，从而更好地识别谣言。

该论文的关键思路是使用图神经网络从描述用户和源推文之间相关性的二分图和树形结构的信息传播中学习表示形式，然后将这两个模块的学习表示组合起来分类谣言。

该论文的实验结果表明，该方法优于现有的谣言检测模型，并且对于早期谣言检测表现良好。此外，该检测方法对于对抗性攻击更加稳健，需要高成本才能破坏用户相关性模式，这表明考虑用户相关性对于谣言检测的重要性。

最近在这个领域中，还有一些相关的研究，例如：'Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks'、'Hierarchical Graph Convolutional Networks for Rumor Detection'等。