KPG: Key Propagation Graph Generator for Rumor Detection based on Reinforcement Learning

社交媒体平台上的谣言在重大事件（如美国大选和COVID-19疫情）期间的传播对社会稳定和公共卫生产生了深远影响。现有的谣言检测方法主要依赖于传播图来增强模型的有效性。然而，在传播过程中存在噪声和无关结构，这限制了这些方法的有效性。为了解决这个问题，提出了权重调整和数据增强等技术。然而，这些技术严重依赖于丰富的原始传播结构，因此在处理早期传播信息不足的谣言时会影响性能。本文提出了一种基于强化学习的谣言检测框架Key Propagation Graph Generator（KPG），它为缺乏拓扑信息的事件生成上下文连贯和信息丰富的传播模式，同时为具有冗余和噪声传播结构的事件识别指示性子结构。KPG由两个关键组件组成：候选响应生成器（CRG）和结束节点选择器（ENS）。CRG从精细的传播模式中学习潜在分布，过滤噪声并为ENS生成新的候选。同时，ENS识别传播图中最具影响力的子结构，并为CRG生成训练数据。此外，我们介绍了一种端到端的框架，利用奖励通过预训练的图神经网络指导整个训练过程。在四个数据集上进行的广泛实验表明，与现有技术相比，我们的KPG具有优越性。

本论文旨在解决社交媒体平台上在重大事件期间谣言传播的问题，提出了一种新的基于强化学习的谣言检测框架。

该框架包括两个关键组件：候选响应生成器（CRG）和结束节点选择器（ENS）。CRG从精炼的传播模式中学习潜在分布，过滤噪声并为ENS生成新的候选响应。同时，ENS识别传播图中最有影响力的子结构，并为CRG生成训练数据。

论文通过实验表明，该框架在四个数据集上的表现优于现有的基于传播图的谣言检测方法。论文还介绍了一种端到端的框架，通过预训练的图神经网络来引导整个训练过程。此外，论文还提供了开源代码。

与此相关的最近研究包括：“Rumor Detection on Social Media with Bi-Directional LSTM”和“Deep Learning for Rumor Detection in Social Media: A Survey”。