一種加權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)的新浪微博謠言檢測方法

王昕巖，宋玉蓉，宋 波

1(南京郵電大學 自動化學院、人工智能學院，南京 210023)

2(南京郵電大學 現(xiàn)代郵政學院，南京 210003)

1 引 言

謠言是在人和人之間傳播的，含有公眾關(guān)心信息的一種特殊陳述，而其真實性不能及時得到證明或是無法證明[1]，往往會帶來惡劣的影響.例如新冠肺炎期間，美國總統(tǒng)特朗普在得知消毒劑能夠在一分鐘之內(nèi)殺死病毒后，呼吁給新冠病毒患者直接注射消毒劑，或者用強光照射，以起到殺死病毒的作用.據(jù)美國疾控中心報告顯示，家用清潔劑產(chǎn)品中毒的數(shù)量在幾周內(nèi)都在上升.在人們的日常生活中，這類誤導(dǎo)性的謠言比比皆是，因此為了避免謠言可能造成的傷害，采取謠言檢測的措施是十分必要的.

謠言能夠在社會中快速而廣泛地傳播，與社交媒體的快速發(fā)展是密切相關(guān)的.社交媒體在提高人們信息獲取效率的同時，也產(chǎn)生了許多與真實信息相背的謠言信息[2].由于每個普通人都可以成為信息的發(fā)布源，就會造成信息質(zhì)量的良莠不齊，不可避免地會有不法分子為了達到目的惡意地發(fā)布謠言信息誤導(dǎo)民眾，使其做出符合謠言散布者期望的舉動，影響了社會的穩(wěn)定.近年來，社交媒體的謠言治理已經(jīng)成為熱門研究課題，引起了國內(nèi)外學者的廣泛關(guān)注.對社交媒體的謠言檢測任務(wù)，通過收集與事件相關(guān)的各種信息，自動地完成檢測任務(wù)來判斷被檢測事件的真?zhèn)?對謠言事件的自動檢測方法，一方面減輕了人工辟謠的資源消耗，另一方面能更快地檢測出流散的謠言，從而能夠營造積極健康的網(wǎng)絡(luò)環(huán)境，維護社會的穩(wěn)定[3].

目前針對社交媒體的謠言檢測方法，如傳統(tǒng)的機器學習方法，以及深度學習方法包括卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network，CNN)[4]、循環(huán)神經(jīng)網(wǎng)絡(luò)(Recurrent Neural Network，RNN)[5]等，對事件的學習只是將這些事件看作成獨立的個體，平等地學習事件的特征.然而在社交媒體中，事件之間的關(guān)系并不是獨立的，而是具有拓撲關(guān)系的.社交媒體中的每個事件和與該事件有關(guān)的用戶都存在著聯(lián)系，包括發(fā)布、評論、轉(zhuǎn)發(fā)等，并且這些用戶之間的交互關(guān)系，也是與這些用戶有關(guān)的事件之間關(guān)系的體現(xiàn).只考慮每個事件本身的特征而忽略事件之間的聯(lián)系，會對檢測效果造成影響.因此有學者考慮了事件之間的聯(lián)系，提出使用圖網(wǎng)絡(luò)模型來進行謠言檢測，但是他們忽略了事件之間聯(lián)系的緊密程度，也會對檢測效果造成一定的影響.在社交網(wǎng)絡(luò)中，事件之間的聯(lián)系具有異質(zhì)性，其緊密程度存在著差異.謠言事件往往具有鼓動性，這是由于大部分的謠言事件的發(fā)布者在發(fā)布謠言時，擅長使用一些煽動性的語句來激發(fā)人們的情緒.往往對這些事件進行評論和轉(zhuǎn)發(fā)的用戶，更加容易受到這些刺激性語句的蠱惑，也會受到其他謠言事件中這類語句的鼓動.與非謠言相比，謠言的發(fā)布者更加希望所發(fā)布的謠言信息能夠有更多轉(zhuǎn)發(fā)和評論，來引起人們的關(guān)注.于是許多謠言發(fā)布者為了達到這一目的，會有意識地組織用戶進行轉(zhuǎn)發(fā)、評論來提高事件的熱度，而這些用戶也更易受到其他謠言發(fā)布者的利用.因此本文考慮事件之間相同數(shù)量的評論者或轉(zhuǎn)發(fā)者，來確定事件之間聯(lián)系的緊密程度.

為了充分考慮事件之間的聯(lián)系及其異質(zhì)性，本文提出了一種基于加權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)(Weighted-Graph Convolutional Network，W-GCN)模型的謠言檢測方法.該方法以事件作為節(jié)點，以事件之間是否有聯(lián)系構(gòu)建連邊并根據(jù)事件之間聯(lián)系的緊密程度，賦予連邊不同的權(quán)重.接著通過BERT(Bidirectional Encoder Representation from Transformers)模型和CNN模型對事件的文本提取特征，并將該特征作為W-GCN模型中節(jié)點的特征向量，來完成模型的訓練，從而完成對社交媒體中事件的謠言檢測任務(wù).考慮到新浪微博是一種基于用戶關(guān)系信息分享、傳播以及獲取的實時社交媒體，是中國最大的社交媒體平臺，因此本文選擇新浪微博作為研究對象來完成謠言檢測的任務(wù).實驗結(jié)果表明，與傳統(tǒng)的機器學習模型以及GRU-2[5]、PPC-RNN+CNN[6]等深度學習模型相比，本文提出的W-GCN模型能更有效地完成新浪微博中謠言的檢測任務(wù).并且與這些方法相比，本文方法同樣能更加有效地完成新浪微博中謠言的早期檢測任務(wù).

本文剩余章節(jié)安排如下:第2節(jié)介紹社交媒體謠言檢測的相關(guān)研究工作；第3節(jié)介紹本文提出的新的謠言檢測模型；第4節(jié)通過實驗及分析，驗證本文提出的新的謠言檢測方法的有效性；第5節(jié)為結(jié)束語.

2 相關(guān)工作

目前國內(nèi)外對于謠言檢測的工作主要分為兩個方面，一個是使用傳統(tǒng)的機器學習方法，另一個是使用深度學習的方法.使用傳統(tǒng)的機器學習方法大多是通過選取人工特征，主要包括文本特征、用戶特征以及傳播特征，并使用包括貝葉斯[7]、支持向量機(Support Vector Machine，SVM)、決策樹[8]等分類器來對事件進行學習分類.Qazvinian等[9]使用了貝葉斯分類器，提取了用戶行為特征及文本特征等特征.Yang等[10]使用了SVM分類器，提取了發(fā)布微博的客戶端及其所在的地理位置等特征.Liang等[11]提取了質(zhì)疑文本特征以及用戶行為等特征.Yang等[12]提取了熱門話題等特征.Wu等[13]提出了基于圖核的混合SVM分類器，提取了語義特征以及高階傳播特征.Ma等[14]提出了傳播樹模型來獲取事件的特征表示.

近年來隨著深度學習的快速發(fā)展，深度學習模型包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)、循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)等在計算機視覺[15]等領(lǐng)域上的應(yīng)用得到了快速發(fā)展，使用深度學習模型來解決自然語言處理(Natural Language Processing，NLP)任務(wù)[16]，逐步取得了顯著的成果.并且與傳統(tǒng)的機器學習模型相比，深度學習模型對人工特征的依賴較小.因此在NLP任務(wù)中，使用深度學習模型可以減少設(shè)計特征帶來的人力、物力的消耗，并能提高模型的魯棒性.Ma等[5]首次提出將深度學習模型RNN應(yīng)用于社交媒體的謠言檢測，首先通過TF-IDF(Term Frequency-Inverse Document Frequency)算法來獲取時間段內(nèi)的微博文本向量，接著通過RNN模型的學習，最后獲取文本向量的特征表示.Yu等[17]使用生成句向量的方法來獲取微博文本向量，再用CNN模型來學習獲取文本向量的特征表示.Liao等[18]提取文本特征和用戶局部特征，使用GRU(Gated Recurrent Unit)網(wǎng)絡(luò)和注意力機制來獲取微博事件的特征表示.Hu等[19]使用圖卷積神經(jīng)網(wǎng)絡(luò)(Graph Convolutional Network，GCN)模型，根據(jù)新聞的相似性構(gòu)建連邊，并提取歷史信用特征對新聞進行分類.Tian[20]等人使用GCN模型，根據(jù)謠言傳播的方向性構(gòu)建連邊對事件進行分類.雖然這些方法在分類效果上比傳統(tǒng)的機器學習方法更加出色，但是它們沒有考慮事件之間的聯(lián)系或事件之間聯(lián)系的異質(zhì)性，對謠言檢測的效果造成了一定的影響.

3 模型方法

3.1 問題描述

對新浪微博平臺的謠言檢測任務(wù)，實際上是一個對事件進行二分類的問題.對于給定的事件組E={e1；e2；e3；e4；…；ei；…；en}和標簽組L={l1；l2；l3；l4；…；li；…；ln}.在事件組E中，ei表示第i個事件，包括所有與這個事件相關(guān)的微博原文以及轉(zhuǎn)發(fā)、評論等信息，n表示事件總數(shù)；在標簽組L中，li表示第i個事件的標簽，分為謠言標簽和非謠言標簽.在新浪微博平臺的謠言檢測任務(wù)中，首先將事件組E分為事件訓練集Etrain和事件測試集Etest，將標簽組分為訓練集標簽Ltrain和測試集標簽Ltest.讓模型對事件訓練集Etrain以及它們對應(yīng)的訓練集標簽Ltrain進行學習，構(gòu)建出一個以事件信息ei作為輸入，分類標簽li作為輸出的映射模型.接著將事件測試集Etest輸入該模型，輸出對應(yīng)的預(yù)測標簽組Lpred.最后根據(jù)預(yù)測標簽組Lpred與實際標簽組Ltest的相符程度，來衡量該謠言檢測模型的檢測效果.

3.2 模型介紹

1)BERT預(yù)訓練模型

自然語言處理(NLP)任務(wù)一般分為上游任務(wù)和下游任務(wù).上游任務(wù)主要對數(shù)據(jù)進行預(yù)處理，將文本數(shù)據(jù)轉(zhuǎn)化為向量表示.下游任務(wù)主要對轉(zhuǎn)化后的向量進行操作.上游任務(wù)使用的模型主要包括Word2Vec[21]、ELMo[22]等.Word2Vec模型將單詞通過高維空間映射成詞向量，可以表征現(xiàn)實生活中詞語之間的關(guān)系.但是通過Word2Vec模型，每個單詞與一個固定的詞向量相對應(yīng)，使得每個單詞無法理解上下文的語義.ELMo模型通過雙向語言模型，并根據(jù)具體的輸入來得到上下文依賴的詞向量表示，將NLP的一部分下游任務(wù)轉(zhuǎn)移到了上游任務(wù)中，增強了向量的特征表示能力.但是該模型的工作效率低，并且只能將數(shù)據(jù)用詞向量來表示.BERT模型[23]作為一個語言表征模型，由谷歌團隊使用雙向編碼操作，通過大量數(shù)據(jù)和多層模型訓練而成.該模型的并行性好，效率高.并且該模型可以將數(shù)據(jù)轉(zhuǎn)化為維度具有一致性的句向量，因此本文采用BERT模型對新浪微博中的文本數(shù)據(jù)進行預(yù)處理操作.

2)卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型

卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型[24]可以使用通過BERT模型轉(zhuǎn)化后的向量，來作為模型的輸入，進而完成模型的訓練，如圖1所示.CNN模型由4部分構(gòu)成：輸入層(Input Layer)、卷積層(Convolution Layer)、池化層(Pooling Layer)和全連接層(Fully Connected Layer).

圖1 卷積神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)構(gòu)圖

CNN模型將事件ei轉(zhuǎn)化后的向量vi作為輸入，通過卷積層(Convolution Layer)選取寬度與向量vi維度等長的卷積核，使該卷積核始終保持在豎直方向滑動，來完成對向量的卷積操作，繼而得到與卷積核數(shù)量相同的特征向量ci.接著通過池化層(Pooling Layer)對特征向量ci進行最大池化(Max-Pooling)操作，提取局部接受域中向量的最大值，得到特征向量pi.最后通過全連接層，將最大池化操作后提取的特征向量pi，在全連接層中與分類標簽進行全連接(Fully Connected)操作，得到該事件ei的預(yù)測標簽li，最終完成謠言的檢測任務(wù).本文提出的模型將最大池化操作后的特征向量pi作為事件ei的特征向量.

3)圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)

圖卷積神經(jīng)網(wǎng)絡(luò)[25](GCN)是一種多層神經(jīng)網(wǎng)絡(luò)，可以通過圖中的節(jié)點和連邊信息直接對圖中的節(jié)點進行端對端的學習并完成分類任務(wù).給定一個圖G=(N，E)，其中N表示節(jié)點，E表示連邊.GCN模型的輸入包括特征矩陣X∈Rn×m，鄰接矩陣A∈Rn×n以及標簽組L∈Rn×2.其中特征矩陣X包括圖中的所有節(jié)點n以及每個節(jié)點特征向量的維數(shù)m.鄰接矩陣A表示圖中各節(jié)點之間的連邊關(guān)系.如果節(jié)點ni和節(jié)點nj之間有連邊，則Aij=α，其中α為該連邊的權(quán)重，否則Aij=0.GCN模型通過節(jié)點的相鄰節(jié)點信息來更新該節(jié)點的隱層信息，每一層只捕獲該節(jié)點的最近鄰節(jié)點的信息.當GCN模型有多個層數(shù)時，模型會整合更多的鄰居節(jié)點信息.因此GCN模型中的第i個隱藏層的特征矩陣Hi，如式(1)所示.

Hi=f(Hi-1，A)

(1)

其中，H0=X，f是傳播函數(shù).

GCN模型的第i個隱藏層的特征矩陣Hi，與特征矩陣Hi∈Rn×m相對應(yīng)，代表這個節(jié)點在該層的特征表示.第i個隱藏層的特征矩陣Hi中節(jié)點的特征被聚合后再通過傳播函數(shù)f，得到該節(jié)點在下個隱藏層中的特征表示.對于只含有一個隱藏層的GCN模型，節(jié)點的k維特征矩陣H1∈Rn×k如式(2)所示.

(2)

(3)

對于多層GCN模型，下一個隱藏層的特征矩陣Hi+1可以通過上一個隱藏層的特征矩陣Hi及權(quán)重矩陣Wi，如式(4)所示.

(4)

3.3 加權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)(W-GCN)模型

1)W-GCN模型介紹

本文在考慮事件之間聯(lián)系的基礎(chǔ)上，充分考慮了事件之間聯(lián)系的異質(zhì)性，即事件之間聯(lián)系的緊密程度，賦予了GCN模型中連邊的權(quán)重，提出了一種新型社交網(wǎng)絡(luò)的謠言檢測方法.該方法對微博事件中的用戶信息以及文本信息進行提取處理.對于用戶信息，通過考慮用戶與事件之間的評論與轉(zhuǎn)發(fā)行為來確定事件與事件之間是否有聯(lián)系關(guān)系，并根據(jù)事件之間相同的評論者或轉(zhuǎn)發(fā)者數(shù)量來確定事件之間聯(lián)系的緊密程度.將新浪微博中的事件作為節(jié)點，事件之間的聯(lián)系作為連邊，聯(lián)系的緊密程度作為連邊的權(quán)重，從而搭建了一個加權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)(W-GCN)模型，如圖2所示.對于微博事件中的文本信息，首先通過BERT模型將文本信息進行預(yù)處理操作，將文本信息轉(zhuǎn)化成維數(shù)為768的向量表示，緊接著使用CNN模型對轉(zhuǎn)化后向量進行特征提取.最后將CNN模型中最大池化(Max-Pooling)操作后得到的特征輸入到W-GCN模型中，最后模型學習得到事件的隱層表達，進而實現(xiàn)對事件的分類操作，最終完成新浪微博中謠言的檢測任務(wù).

圖2 加權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)(W-GCN)結(jié)構(gòu)圖

本文提出的加權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)模型W-GCN的輸入包括兩個部分：由所有事件的特征向量組成的節(jié)點的特征矩陣X，以及根據(jù)事件之間的聯(lián)系及其緊密程度構(gòu)建的W-GCN中的鄰接矩陣A.

2)W-GCN模型的節(jié)點特征矩陣

考慮到GCN中，每個節(jié)點的特征向量需為固定的長度.僅使用預(yù)訓練模型對一個微博事件的所有文本信息進行預(yù)處理轉(zhuǎn)化為向量，無疑會破壞文本的結(jié)構(gòu)特征，會對檢測效果造成巨大影響.經(jīng)過實驗，僅通過預(yù)訓練模型對一個微博事件的所有文本信息進行預(yù)處理，不具有很好的分類特征.考慮到現(xiàn)有的深度學習模型中，CNN模型在經(jīng)過最大池化(Max-Pooling)操作后得到的特征向量，維度相同并且維數(shù)較少，可以最大程度地保留文本的結(jié)構(gòu)特征，因此本文使用卷積神經(jīng)網(wǎng)絡(luò)模型(CNN)對事件文本進行特征提取.對于圖網(wǎng)絡(luò)模型中作為節(jié)點ni的事件ei，首先將事件ei的文本信息，逐條通過BERT模型轉(zhuǎn)化為向量表示，并作為CNN模型的輸入.經(jīng)過CNN的卷積和池化操作后得到特征pi，將其作為W-GCN模型中節(jié)點的特征向量xi.

3)W-GCN模型的鄰接矩陣

W-GCN模型中節(jié)點ni和節(jié)點nj之間的連邊，由對應(yīng)的事件ei和事件ej之間的聯(lián)系來確定.對于事件ei和事件ej，根據(jù)這兩個事件之間是否有相同的評論者或轉(zhuǎn)發(fā)者來確定兩個事件之間是否存在聯(lián)系，繼而決定圖網(wǎng)絡(luò)模型中節(jié)點ni和節(jié)點nj之間是否存在連邊.節(jié)點之間的連邊通過鄰接矩陣A來表示，為了簡便起見，本文不考慮事件傳播的方向，即不考慮連邊的有向性.如果事件ei和事件ej之間沒有相同的評論者或轉(zhuǎn)發(fā)者，那么這兩個事件之間不構(gòu)成傳播關(guān)系，即事件ei和事件ej之間不存在聯(lián)系，定義節(jié)點ni和節(jié)點nj之間不存在連邊，令A(yù)ij=0；如果事件ei和事件ej之間含有相同的評論者或轉(zhuǎn)發(fā)者，那么事件ei和事件ej之間就可能存在傳播關(guān)系，對此定義節(jié)點ni和節(jié)點nj之間存在連邊，那么Aij的值至少為1.再通過考慮事件ei和事件ej之間聯(lián)系的緊密程度，即事件ei和事件ej之間相同的評論者或轉(zhuǎn)發(fā)者數(shù)量α，給Aij賦予不同的值來定義節(jié)點ni和節(jié)點nj之間連邊的權(quán)重，即：

4 實驗結(jié)果及分析

4.1 參數(shù)及評價指標

1)實驗數(shù)據(jù)集及模型參數(shù)設(shè)置

本文選用的數(shù)據(jù)集是Ma等[5]使用的用于新浪微博平臺的謠言檢測數(shù)據(jù)集.該數(shù)據(jù)集包括4664個事件，每個事件對應(yīng)的標簽，事件信息包括微博用戶信息、文本信息、時間等信息，如表1所示.

表1 數(shù)據(jù)集參數(shù)表

在模型的參數(shù)設(shè)置上，本文將該數(shù)據(jù)集4664個事件中的85%作為訓練集，15%作為測試集，并完成了5次5折交叉驗證.對BERT模型，設(shè)置向量的維度為768；對卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型，設(shè)置卷積核的寬度設(shè)為3，長度為768，卷積核數(shù)量為300，dropout為0.5.對加權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)(W-GCN)模型，沿用Kipf等[25]的設(shè)置，第一個隱藏層單元數(shù)為16，第二個隱藏層單元數(shù)為7，dropout設(shè)置為0.5.模型在學習時，在每個Epoch中迭代訓練所有的訓練集事件，直到模型收斂或者Epoch數(shù)量達到最大值為止.此外，本文選取了以小時作為單位的9個時間點，分別為1，3，6，12，24，36，48，72，96.從事件中微博原文發(fā)出的時間算起，在以上的時間節(jié)點內(nèi)，分別通過W-GCN模型來完成新浪微博的謠言檢測任務(wù)，來檢驗該模型在謠言早期檢測方面的有效性.

2)實驗評估參數(shù)

謠言檢測任務(wù)實際上是一個文本分類的子任務(wù)，是一種二分類的文本分類問題，輸出的結(jié)果為謠言及非謠言的概率，選取概率較大的一類作為模型預(yù)測的類別.模型的預(yù)測類別與實際類別的分類依據(jù)，如表2所示.

表2 分類依據(jù)

本文選取了評價分類器優(yōu)良最常見的4個指標：正確率(Accuracy，Acc)、精確率(Precision，Pre)、召回率(Recall，Rec)、F1值(F1-Measure，F(xiàn)1)，來評價本文提出的W-GCN模型的有效性.正確率表示被模型正確分類的事件數(shù)量與事件總數(shù)的比值，如式(5)所示；精確率表示被模型正確分類為謠言(或非謠言)的事件數(shù)量與被分類為謠言(或非謠言)的事件總數(shù)的比值，如式(6)所示；召回率表示被模型正確分類為謠言(或非謠言)的事件數(shù)量與實際為謠言(或非謠言)的事件總數(shù)的比值，如式(7)所示；F1值表示準確率和召回率加權(quán)調(diào)和平均，是對準確率和召回率的綜合考慮，如式(8)所示.

(5)

(6)

(7)

(8)

4.2 實驗對比模型

本文將本文方法與同樣使用該數(shù)據(jù)集的基準方法進行對比，所選取的基準方法如下：

1)DT-Rank 模型[26].該模型通過搜索微博文本中有爭議的事實性聲明，將它們按相似度進行聚類并根據(jù)統(tǒng)計特征，使用決策樹的排名方法對聚類結(jié)果進行排名，來完成微博事件的分類任務(wù).

2)SVM-TS 模型[27].該模型通過使用事件的時間序列來得到隨時間變化的事件特征，使用線性SVM分類模型來完成微博事件的分類任務(wù).

3)GRU-2模型[5].該模型基于樹結(jié)構(gòu)遞歸神經(jīng)網(wǎng)絡(luò)，捕捉相關(guān)帖子隨時間變化的上下文信息，使用GRU模型通過傳播結(jié)構(gòu)學習事件特征，來完成微博事件的分類任務(wù).

4)PPC_RNN+CNN模型[6].該模型根據(jù)事件的傳播路徑，將循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)模型與卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型進行模型融合，使用融合后的模型學習事件特征，來完成微博事件的分類任務(wù).

4.3 實驗結(jié)果

1)謠言檢測效果對比

由于GCN的特性，本文在具體實驗時，對事件的訓練集Etrain只將其中的150個微博事件的標簽設(shè)置為已知標簽，實驗結(jié)果如表3所示.表格中，第1列為所選取的基準方法的模型及本文的模型，從上至下分別為：DT-Rank，SVM-TS，GRU-2，PPC_RNN+CNN和W-GCN模型；第2列為事件的類別，其中R表示謠言(Rumor)，N表示非謠言(Non-rumor)；第3列為正確率；第4列為精確率；第5列為召回率；第6列為F1值.

表3 謠言檢測結(jié)果

從結(jié)果中可以看到在基準方法中，傳統(tǒng)的機器學習方法中SVM-TS模型的檢測效果最好，可以達到0.857的正確率；深度學習方法中PPC_RNN+CNN模型的檢測效果最好，可以達到0.916的正確率，可見在謠言檢測任務(wù)中，使用深度學習的模型可以取得比傳統(tǒng)的機器學習方法更加顯著的效果.而本文提出的W-GCN模型在檢測結(jié)果上，正確率達到了0.956，且各項評估指標均優(yōu)于上述基準方法.而本文在謠言檢測的評估指標中，召回率可以達到0.977，表明本文方法對謠言事件有更高的敏感性.因此本文模型在謠言檢測的任務(wù)上，降低了謠言事件的誤判率，能夠盡可能多地識別出可能的謠言事件.模型的謠言檢測評估指標中的召回率數(shù)值更高，意味著更多的謠言事件被篩選出來，能夠更大程度地識別出社交網(wǎng)絡(luò)中潛藏的謠言事件，來減少潛藏謠言事件帶來的不利影響，這對社交媒體是十分必要的.綜上所述，本文方法在對新浪微博中的謠言檢測任務(wù)中表現(xiàn)出了更好的檢測效果.

與此同時，由于社交媒體信息量的快速增長，對社交媒體中的事件予以謠言或非謠言的標簽，往往需要花費大量的時間與精力.因此社交媒體中的事件，擁有標簽的事件大多數(shù)是已經(jīng)過時的事件，只有極少部分的事件是較新的事件.因此在對新浪微博的謠言檢測任務(wù)中，傳統(tǒng)的機器學習方法和深度學習方法包括CNN、RNN等在事件標簽數(shù)量不足的情況下，檢測效果會大幅下降，泛化能力較弱.本文提出的模型能夠在標簽數(shù)量有限的情況下，達到同樣的檢測效果.綜上所述，與現(xiàn)有的謠言檢測方法相比，本文提出的模型在新浪微博的謠言檢測任務(wù)中具有更好的實用性.

2)5折交叉驗證結(jié)果

本文使用5次5折交叉驗證，進一步驗證本文模型的謠言檢測效果.在對數(shù)據(jù)集的劃分中，本文將數(shù)據(jù)集中的85%劃分為訓練集，15%劃分為測試集.在交叉驗證環(huán)節(jié)中，本文將訓練集的數(shù)據(jù)平均分成5份，每次驗證實驗只取其中的1份，并將其作為測試集，其余4份作為訓練集，通過W-GCN模型來得到這份數(shù)據(jù)的謠言檢測結(jié)果，并記錄各項評估指標.將該過程重復(fù)進行5次，最終得到所有作為本文訓練集數(shù)據(jù)的檢測結(jié)果，并記錄各項評估指標，結(jié)果如表4所示.

表4 5折交叉驗證結(jié)果

結(jié)果顯示，5次5折的交叉驗證結(jié)果中，正確率最大值為0.966，最小值為0.942，相差2.4%，正確率的平均值為0.952.本文測試集實驗結(jié)果的正確率高于這5次交叉驗證結(jié)果的最小值，低于這5次交叉驗證結(jié)果的最大值，略高于這5次交叉驗證結(jié)果的平均值.由此可見本文模型在新浪微博的謠言檢測任務(wù)中具有較強的泛化能力.

3)早期謠言檢測效果對比

本文在謠言的早期檢測方面與其他基準方法進行了對比，結(jié)果如圖3所示.

圖3 謠言的早期檢測結(jié)果

在謠言的早期檢測任務(wù)中，只能使用從微博原文發(fā)布的時間算起之后的若干小時內(nèi)的微博信息.為了評估本文模型與其他基準方法在謠言檢測早期性的表現(xiàn)，本文選取了以小時作為單位的9個時間點，分別為1，3，6，12，24，36，48，72，96小時.可以看出與現(xiàn)有的謠言檢測方法相比，本文提出的模型在謠言的早期檢測任務(wù)上同樣表現(xiàn)出了更好的效果.

4)與無權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)模型的效果對比

為了分析連邊的權(quán)重對檢測效果的影響，我們將本文模型與無權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)(Unweighted-Graph Convolutional Network，UW-GCN)模型進行對比，實驗結(jié)果如圖4所示.通過比較W-GCN模型與UW-GCN模型在選取的9個時間點上謠言檢測的正確率，不難看出考慮事件之間聯(lián)系的緊密程度，能夠?qū)χ{言檢測的效果有較大提升.

圖4 加權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)(W-GCN)模型與無權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)(UW-GCN)模型的謠言檢測結(jié)果

5)模型訓練的Epoch數(shù)量對謠言檢測效果的影響

對W-GCN模型，不同的Epoch數(shù)量下訓練集事件與測試集事件的謠言檢測效果進行實驗，設(shè)置了25個不同的Epoch數(shù)量，結(jié)果如圖5所示.

圖5 Epoch(s)數(shù)量對謠言檢測效果的影響

可以看出，當模型訓練1個Epoch時，訓練集和測試集數(shù)據(jù)的檢測正確率都比較低，此時的模型無法學習到微博事件的隱層特征，模型的謠言檢測效果較低.當模型訓練到了第5個Epochs時，訓練集和測試集數(shù)據(jù)的檢測正確率均快速上升，此時的模型已經(jīng)初步完成了對微博事件隱層特征的學習，模型的謠言檢測效果一般.隨著模型訓練到第25個Epochs時，訓練集和測試集數(shù)據(jù)的檢測正確率在一定范圍內(nèi)波動，總體呈上升趨勢，此時的模型已經(jīng)具有比較良好的謠言檢測效果.而隨著Epoch(s)數(shù)量的進一步增加，模型最終會收斂，對謠言事件的檢測效果會達到最優(yōu)值.

5 結(jié)束語

目前傳統(tǒng)的機器學習方法以及深度學習方法被廣泛地應(yīng)用于社交媒體的謠言檢測中，但是這些方法忽略了事件之間的聯(lián)系或者事件之間聯(lián)系的緊密程度，會影響檢測的效果.因此本文充分考慮了事件之間聯(lián)系的異質(zhì)性，基于圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)提出了一種新型的新浪微博平臺謠言檢測的方法.該方法通過將事件作為節(jié)點，事件之間的聯(lián)系作為連邊，并且考慮了連邊的權(quán)重，構(gòu)建出了一個加權(quán)圖卷積神經(jīng)網(wǎng)絡(luò)模型W-GCN.接著使用BERT模型和卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型得到微博事件的特征表示，并將該特征輸入到W-GCN模型中，對W-GCN中的節(jié)點完成分類，最終完成新浪微博的謠言檢測任務(wù).與所選的基準方法相比，本文的方法在謠言事件的檢測上取得了最好的效果，體現(xiàn)了本文模型在新浪微博謠言檢測問題中對謠言事件檢測的有效性.同時在謠言的早期檢測方面，本文的方法也高于基準方法，體現(xiàn)了本文提出的模型在新浪微博謠言的早期檢測方面的有效性.為了提高模型檢測的性能，在之后的研究中，可以考慮使用其他事件之間的聯(lián)系作為GCN模型中節(jié)點之間的連邊，或考慮使用不同的圖網(wǎng)絡(luò)模型，在節(jié)點的特征向量中，融入一些代表性的微博事件特征等方法，來進一步增強模型的謠言檢測性能.