面向網(wǎng)絡(luò)社交媒體的少樣本新冠謠言檢測

陸恒楊,范晨悠,吳小俊

(1. 江南大學(xué) 江蘇省模式識別與計(jì)算智能工程實(shí)驗(yàn)室，江蘇 無錫 214122； 2. 南京大學(xué) 計(jì)算機(jī)軟件新技術(shù)國家重點(diǎn)實(shí)驗(yàn)室，江蘇 南京 210023； 3. 深圳市人工智能與機(jī)器人研究院，廣東 深圳 518129)

0 引言

新型冠狀病毒肺炎(COVID-19，以下簡稱新冠)在全球范圍內(nèi)持續(xù)爆發(fā)，已成為一場全球性的流行病，造成的損失遍及民生、經(jīng)濟(jì)等多個(gè)領(lǐng)域。其中，與新冠相關(guān)的謠言也造成了大量負(fù)面影響，尤其在當(dāng)下發(fā)達(dá)的網(wǎng)絡(luò)環(huán)境下，在社交媒體上發(fā)布的謠言會在短時(shí)間內(nèi)大范圍傳播，造成公共資源的極大浪費(fèi)，對社會產(chǎn)生惡劣的影響。例如，推特上有關(guān)“5G基站會傳播新冠”的謠言，就曾引起部分英國網(wǎng)友縱火燒基站的激進(jìn)行為。因此，高效、準(zhǔn)確地開展新冠謠言檢測對于政府和個(gè)人都具有重要的意義，對積極、正面的輿情引導(dǎo)也具有重要價(jià)值。

謠言是指未經(jīng)證實(shí)或蓄意編撰的內(nèi)容，常見于社交媒體。由于社交媒體上的數(shù)據(jù)不間斷產(chǎn)生，近年來采用機(jī)器學(xué)習(xí)和人工智能技術(shù)進(jìn)行謠言檢測成為了熱門的研究方向。一類常見的研究分支將謠言檢測建模為二分類問題，預(yù)測文本樣例的真實(shí)性。相關(guān)研究經(jīng)歷了從早期的手工構(gòu)建文本特征到近期的基于深度學(xué)習(xí)的自動(dòng)特征表示方法[1-4]，到結(jié)合社交媒體的傳播特性，也有一部分工作結(jié)合社交賬號間的互動(dòng)、轉(zhuǎn)發(fā)評論等信息傳播開展謠言檢測研究。[5]

現(xiàn)有的謠言檢測任務(wù)，通常假定各類已知事件有充足的有標(biāo)簽數(shù)據(jù)用于建模和訓(xùn)練，并且在測試階段，需要檢測的謠言也與訓(xùn)練所用的事件有關(guān)。然而，在新冠這一突發(fā)事件爆發(fā)之前，社交媒體從未出現(xiàn)過有關(guān)這一事件的信息，導(dǎo)致在初期可供訓(xùn)練的數(shù)據(jù)極其稀少，對現(xiàn)有謠言檢測模型帶來了巨大的挑戰(zhàn)。在少樣本場景下開展新冠謠言檢測研究，成為亟待解決的研究問題，具有重要的理論研究意義和社會應(yīng)用價(jià)值。

少樣本學(xué)習(xí)作為一種熱門的機(jī)器學(xué)習(xí)方法，近幾年得到了飛速發(fā)展[6-9]，為新冠謠言檢測任務(wù)提供了新的研究范式。少樣本學(xué)習(xí)可以訓(xùn)練一個(gè)有效的機(jī)器學(xué)習(xí)模型，該模型可通過極少量的有標(biāo)簽數(shù)據(jù)來快速學(xué)習(xí)新的任務(wù)，使其能夠在該任務(wù)上預(yù)測識別其他大量的無標(biāo)簽數(shù)據(jù)，尤其適用于新冠這類突發(fā)事件的謠言檢測。少樣本學(xué)習(xí)的基本思路可類比人類的認(rèn)知過程，僅通過對少量或者單個(gè)樣例的學(xué)習(xí)，實(shí)現(xiàn)對這一類物體或者概念的識別。例如，只需要見過幾句范例，人類就可以熟練使用陌生的詞匯。針對社交媒體上有關(guān)突發(fā)事件的謠言，同樣可以采用這一思想，通過學(xué)習(xí)少量具有標(biāo)簽的謠言樣例，就可以實(shí)現(xiàn)這一類突發(fā)新事件的謠言檢測，從而在早期及時(shí)遏制謠言的傳播。

本文關(guān)注少樣本謠言檢測這一重要且被長期忽視的研究問題，聚焦少樣本場景下社交媒體中的新冠謠言檢測問題，以新浪微博這一中國社交媒體平臺作為數(shù)據(jù)來源開展研究。新浪微博上的謠言通常圍繞不同的事件產(chǎn)生、傳播，已有工作一般將已發(fā)生的事件作為研究對象，這類事件通常用充分的有標(biāo)簽數(shù)據(jù)進(jìn)行模型訓(xùn)練，因此當(dāng)出現(xiàn)新冠這類突發(fā)事件時(shí)，現(xiàn)有模型缺乏新事件相關(guān)的訓(xùn)練數(shù)據(jù)，無法進(jìn)行有效預(yù)測。本文提出一種基于少樣本學(xué)習(xí)的謠言檢測模型(few-shot learning based rumor detection model,FRUDE)，通過元學(xué)習(xí)方法構(gòu)造具備學(xué)習(xí)能力的謠言檢測模型，對突發(fā)事件相關(guān)的微博進(jìn)行有效的謠言預(yù)測，并依托新冠這一突發(fā)事件，進(jìn)行有效性和應(yīng)用性驗(yàn)證。

本文的主要貢獻(xiàn)包括以下三個(gè)方面：

(1) 提出了“少樣本謠言檢測”這一非常重要但被忽視的研究問題。該問題聚焦如何通過極少量的謠言和非謠言樣例，迅速檢測有關(guān)全新的、無先例突發(fā)事件的謠言信息。

(2) 收集了一種來自新浪微博的謠言數(shù)據(jù)集，包含11個(gè)與新冠無關(guān)、3個(gè)與新冠有關(guān)的事件，共3 840條中文數(shù)據(jù)。該數(shù)據(jù)集有助于少樣本謠言檢測問題的進(jìn)一步發(fā)展。

(3) 提出了一種結(jié)合字符級BERT預(yù)訓(xùn)練編碼和雙層雙向GRU上下文編碼的特征表示方法，并通過設(shè)計(jì)基于元學(xué)習(xí)的少樣本學(xué)習(xí)方法實(shí)現(xiàn)突發(fā)事件少樣本謠言的有效檢測，在中文新冠謠言數(shù)據(jù)集以及英文PHEME公共數(shù)據(jù)集上均取得了優(yōu)于主流謠言檢測模型的效果。

1 相關(guān)工作

本文研究內(nèi)容同時(shí)涉及謠言檢測和少樣本學(xué)習(xí)，并使用預(yù)訓(xùn)練向量作為文本輸入，相關(guān)研究工作分別綜述如下：

1.1 謠言檢測

根據(jù)謠言數(shù)據(jù)的不同特點(diǎn)，SemEval-2017論壇將謠言檢測分為兩類子任務(wù)： 謠言立場分類(rumor stance classification)，以及謠言真實(shí)性預(yù)測(rumor veracity prediction)[10]。其中，謠言立場分類任務(wù)面向樹形結(jié)構(gòu)的數(shù)據(jù)集，其一般結(jié)構(gòu)為一條源文本以及不同用戶對該條文本的回復(fù)，分類目標(biāo)為四分類任務(wù)，將每條文本分為支持(support)、反對(deny)、質(zhì)疑(query)以及評論(comment)，簡稱SDQC任務(wù)[11]。謠言真實(shí)性預(yù)測任務(wù)面向單條文本的數(shù)據(jù)集，分類目標(biāo)為二分類任務(wù)，可結(jié)合輔助信息預(yù)測輸入的謠言數(shù)據(jù)為真和假，也可以將該任務(wù)建模為三分類問題，即真、假和無法驗(yàn)證[12]。

根據(jù)謠言檢測的不同研究思路，早期工作通?；诓煌愋偷氖止ぬ卣魍ㄟ^監(jiān)督學(xué)習(xí)構(gòu)建分類器。例如，從文本、用戶簡介中抽取出特征，使用支持向量機(jī)和決策樹等分類器對推特的可信度進(jìn)行預(yù)測[13-15]、基于情感詞典抽取情感和語義特征，進(jìn)行謠言檢測等[16]。這類方法高度依賴特征工程方面的經(jīng)驗(yàn)，對數(shù)據(jù)集的結(jié)構(gòu)和特點(diǎn)要求較高，通用性一般。深度學(xué)習(xí)強(qiáng)大的特征表示能力則推動(dòng)了謠言檢測的發(fā)展，例如，基于深度循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)、卷積神經(jīng)網(wǎng)絡(luò)(CNN)、圖卷積神經(jīng)網(wǎng)絡(luò)(GCN)等設(shè)計(jì)的謠言檢測模型打破了手工構(gòu)造特征的限制，能夠從文本中自動(dòng)抽取出深層語義信息，通用性更強(qiáng)[4,17-19]。還有一類工作結(jié)合社交媒體的傳播特性、多模態(tài)特性等開展謠言檢測，例如，通過優(yōu)化傳播圖構(gòu)建新聞可信度預(yù)測模型、基于異構(gòu)用戶表示和建模方法找出可區(qū)分謠言的傳播模式、融合圖像、圖像內(nèi)嵌文本以及文本內(nèi)容開展謠言檢測等[20-22]。

1.2 少樣本學(xué)習(xí)

少樣本學(xué)習(xí)(few-shot learning)是一種基于極少量有標(biāo)簽數(shù)據(jù)進(jìn)行模型訓(xùn)練的機(jī)器學(xué)習(xí)方法，被廣泛應(yīng)用于解決未在訓(xùn)練數(shù)據(jù)中出現(xiàn)過的新任務(wù)[6-7,23-24]。針對一個(gè)新任務(wù)，只需給定極少量的有標(biāo)簽數(shù)據(jù)，少樣本模型就可以對該任務(wù)的無標(biāo)簽數(shù)據(jù)進(jìn)行有效預(yù)測。例如，在1-shot分類任務(wù)中，測試集中每一個(gè)新觀察到的類，只有一個(gè)有標(biāo)簽數(shù)據(jù)，導(dǎo)致傳統(tǒng)基于數(shù)據(jù)驅(qū)動(dòng)的監(jiān)督學(xué)習(xí)難以應(yīng)用在少樣本學(xué)習(xí)情景中。近期，許多研究將深度學(xué)習(xí)模型應(yīng)用到少樣本學(xué)習(xí)中。其中，元學(xué)習(xí)(meta-learning)成為一種主流方法[6,25]。元學(xué)習(xí)旨在學(xué)習(xí)一種模型，該模型可以提取已有訓(xùn)練任務(wù)中可遷移的知識, 使得該知識可用于學(xué)習(xí)新的任務(wù)。其基本機(jī)理是，通過從少量有標(biāo)簽數(shù)據(jù)中提取可遷移的知識，模型能夠快速適應(yīng)全新的任務(wù)，從而正確預(yù)測標(biāo)簽。主流的元學(xué)習(xí)方法可以分為兩個(gè)大類： 基于優(yōu)化方法的(optimization-based) 元學(xué)習(xí)和基于度量學(xué)習(xí)(metric-based)的元學(xué)習(xí)。

模型無關(guān)元學(xué)習(xí)方法(MAML)是一種有代表性的基于優(yōu)化的元學(xué)習(xí)方法[6]，提出了利用梯度下降使模型可以自適應(yīng)地學(xué)習(xí)如何在新任務(wù)上得到最佳性能。該方法通過一次梯度下降使模型參數(shù)調(diào)整為任務(wù)相關(guān)，再利用一次梯度下降，使得在該任務(wù)上的損失信號可以回傳給模型來調(diào)整參數(shù)。Meta-SGD方法擴(kuò)展了MAML，可以自適應(yīng)地學(xué)習(xí)梯度下降的步長[25]。元遷移學(xué)習(xí)MTL提出了一種避免在少量任務(wù)數(shù)據(jù)上過擬合的方法[24]，進(jìn)一步改善了基于優(yōu)化的元學(xué)習(xí)方法。

基于度量學(xué)習(xí)的元學(xué)習(xí)方法旨在學(xué)習(xí)一個(gè)好的特征空間，使得標(biāo)簽相同的數(shù)據(jù)之間距離更短，而標(biāo)簽不同的數(shù)據(jù)之間距離更長[8-9,26-27]。例如，MatchingNet提出在1-shot少樣本學(xué)習(xí)中，使用余弦距離來衡量支持?jǐn)?shù)據(jù)和查詢數(shù)據(jù)間的相似度，從而使神經(jīng)網(wǎng)絡(luò)的特征提取器更好地區(qū)分不同標(biāo)簽的數(shù)據(jù)[8]。Prototypical網(wǎng)絡(luò)進(jìn)一步推廣MatchingNet到K-shot少樣本學(xué)習(xí)，通過求類內(nèi)支持?jǐn)?shù)據(jù)的特征均值，對每一個(gè)類別構(gòu)建一個(gè)原型特征，實(shí)現(xiàn)使用多個(gè)支持?jǐn)?shù)據(jù)的相似度計(jì)算[9]。

1.3 預(yù)訓(xùn)練詞向量

預(yù)訓(xùn)練詞向量模型(word embeddings)的快速發(fā)展進(jìn)一步推動(dòng)了文本信息處理的研究，例如Word2Vec和GloVe模型的出現(xiàn)，極大地提升了各類自然語言處理任務(wù)的性能[28-29]。早期詞向量模型的不足之處在于不同上下文中的同一個(gè)單詞僅有單一的向量表示，無法有效處理單詞多義性問題，因此后續(xù)的ELMo模型及BERT模型充分引入了單詞上下文信息，通過預(yù)訓(xùn)練得到能有效反映單詞上下文的預(yù)訓(xùn)練詞向量，進(jìn)一步提升各類下游任務(wù)的性能[30-31]。其中BERT模型為近來主流的預(yù)訓(xùn)練模型，采用多層雙向Transformer獲取更豐富的上下文信息，得到具有更強(qiáng)語義表示能力的預(yù)訓(xùn)練詞向量，并與各類循環(huán)神經(jīng)網(wǎng)絡(luò)模型等相結(jié)合，用于文本分類、情感分析等場景，展示出更顯著的效果。

本文提出的基于少樣本學(xué)習(xí)的新冠謠言檢測方法，將謠言檢測建模為二分類問題，判斷每條微博是否為謠言，結(jié)合模型無關(guān)元學(xué)習(xí)方法構(gòu)建具有良好適應(yīng)性的突發(fā)事件謠言預(yù)測模型。不僅解決了新冠這類突發(fā)事件可訓(xùn)練數(shù)據(jù)稀少的問題，也提供了開展謠言檢測的新研究范式，擴(kuò)展了該研究任務(wù)可適用的場景。

2 新浪微博中的新冠謠言檢測方法

本節(jié)主要介紹少樣本謠言檢測的問題定義、面向社交媒體中少樣本新冠謠言檢測任務(wù)的數(shù)據(jù)集構(gòu)建以及基于少樣本學(xué)習(xí)的謠言檢測模型構(gòu)建方法。

2.1 問題定義

本文將新冠謠言檢測任務(wù)建模為少樣本二分類機(jī)器學(xué)習(xí)任務(wù)，記為N-taskK-shotQ-query，N代表少樣本學(xué)習(xí)的任務(wù)數(shù)(將檢測某個(gè)事件中的微博為謠言、為非謠言記為兩個(gè)任務(wù))、K代表每一個(gè)任務(wù)抽樣的支持樣例(即訓(xùn)練數(shù)據(jù))數(shù)、Q代表每一個(gè)任務(wù)抽樣的查詢樣例(即測試數(shù)據(jù))數(shù)。記需要檢測的事件數(shù)為E，均包含謠言和非謠言兩類數(shù)據(jù)，則有N=E×2，該任務(wù)如定義1所示。

在新冠謠言檢測場景下，有關(guān)新冠的突發(fā)事件出現(xiàn)后，可獲取少量由平臺判斷的謠言數(shù)據(jù)，作為支持樣例用于訓(xùn)練，從而得到能夠有效預(yù)測查詢集的少樣本新冠謠言檢測模型。2.2節(jié)中結(jié)合本文使用的新冠謠言數(shù)據(jù)集對定義1進(jìn)行了具體的解釋。

2.2 新浪微博新冠謠言數(shù)據(jù)集構(gòu)建

參考微博謠言檢測數(shù)據(jù)集常用的構(gòu)造方法[3,32-33]，本文使用網(wǎng)絡(luò)爬蟲從“微博社區(qū)管理中心”(1)https://service.account.weibo.com/獲取由官方判定的不實(shí)信息，作為謠言數(shù)據(jù)的來源，并通過事件關(guān)鍵詞爬取指定事件的謠言微博；指定事件相應(yīng)的非謠言數(shù)據(jù)同樣通過使用該事件的關(guān)鍵詞進(jìn)行爬取，并遵循已有工作的一般做法，驗(yàn)證爬取的微博未被平臺標(biāo)注為“不實(shí)信息”，圖1為微博判定的謠言示例。

圖1 新浪微博官方判定的謠言示例

本文共選取14個(gè)來自新浪微博的事件用于實(shí)驗(yàn)，其中3個(gè)事件均與新冠有關(guān)。由于數(shù)據(jù)集中存在大量重復(fù)或者轉(zhuǎn)發(fā)的微博，為避免重復(fù)微博對模型造成過擬合，本文采用文本去重常用的漢明距離進(jìn)行重復(fù)性文本的過濾，當(dāng)多條微博之間的漢明距離小于設(shè)定的閾值，則過濾重復(fù)微博。根據(jù)不同閾值設(shè)置得到去重后的微博數(shù)量如圖2所示。

圖2 設(shè)置不同漢明距離閾值去重后微博數(shù)量統(tǒng)計(jì)

漢明距離閾值過小，則無法有效過濾重復(fù)的微博，漢明距離閾值過大，則會誤刪非重復(fù)性的微博，根據(jù)圖2的統(tǒng)計(jì)信息，本文選用漢明距離閾值為8構(gòu)建新冠謠言數(shù)據(jù)集，通過該去重操作，數(shù)據(jù)集相關(guān)的統(tǒng)計(jì)情況如表1所示。

表1 新冠謠言數(shù)據(jù)集事件信息統(tǒng)計(jì)

續(xù)表

該數(shù)據(jù)集包含3個(gè)與新冠相關(guān)的突發(fā)事件，11個(gè)與新冠無關(guān)的歷史事件，各個(gè)事件的詳細(xì)描述如下所示：

馬航： 該事件為微博上有關(guān)馬航MH370航班失事的討論；

高考： 該事件為高考期間在微博上發(fā)布的有關(guān)準(zhǔn)考證丟失、高考招生錄用等高考相關(guān)信息；

奧運(yùn)會： 該事件為微博上發(fā)布的有關(guān)奧運(yùn)會新聞及討論；

城管： 該事件為微博上有關(guān)城管執(zhí)法的新聞及討論；

可樂： 該事件為微博上發(fā)布的有關(guān)可口可樂食品添加劑的信息；

拐賣： 該事件為發(fā)布在微博上的兒童拐賣信息及尋人信息；

地溝油： 該事件主要為微博上關(guān)于地溝油這一食品安全問題的相關(guān)新聞和信息；

事故： 該事件主要涵蓋了微博上發(fā)布的各類事故，主要包括交通事故等；

地震： 該事件主要為微博上有關(guān)地震災(zāi)害的報(bào)道與討論；

臺風(fēng)： 該事件主要為微博上有關(guān)臺風(fēng)災(zāi)害的報(bào)道與討論；

狂犬?。?該事件主要為微博上發(fā)布的有關(guān)狂犬病及其致死情況的信息和報(bào)道；

封城： 該事件為新冠肺炎爆發(fā)初期，微博上發(fā)布的有關(guān)各地封城政策的信息；

鐘南山： 該事件為新冠疫情出現(xiàn)后微博上有關(guān)抗疫專家鐘南山的相關(guān)新聞和討論；

武漢： 該事件為新冠肺炎爆發(fā)后微博上有關(guān)武漢的新聞與信息。

通過采用少樣本學(xué)習(xí)策略使用歷史數(shù)據(jù)訓(xùn)練謠言檢測模型，從而能夠在新冠這一突發(fā)事件出現(xiàn)時(shí)，得到具備學(xué)習(xí)能力的、在新事件上具備較好預(yù)測能力的新模型。結(jié)合定義1，本文將該數(shù)據(jù)集上的新冠謠言檢測任務(wù)建模為6-task 5-shot 9-query，即每次從3個(gè)有關(guān)新冠的事件中分別采樣5條有標(biāo)簽的謠言和非謠言數(shù)據(jù)用于訓(xùn)練，各個(gè)事件隨機(jī)采樣9條未用于訓(xùn)練的無標(biāo)簽謠言和非謠言數(shù)據(jù)用于測試，則每個(gè)任務(wù)(如檢測“封城”事件的謠言是一個(gè)任務(wù))均由14條數(shù)據(jù)構(gòu)成。

2.3 基于少樣本學(xué)習(xí)的謠言檢測模型

本節(jié)主要介紹FRUDE模型的設(shè)計(jì)思想和模型細(xì)節(jié)，F(xiàn)RUDE模型主要由三部分構(gòu)成： 首先通過預(yù)訓(xùn)練BERT模型獲取文本字符級詞向量嵌入層[31]，然后將其輸入多層雙向GRU進(jìn)行上下文特征抽取，最后通過少樣本元學(xué)習(xí)模型實(shí)現(xiàn)任務(wù)適應(yīng)和新謠言的檢測，模型總體框架如圖3所示。

圖3 FRUDE模型總體框架

2.3.1 文本字符級特征提取

預(yù)訓(xùn)練BERT模型在訓(xùn)練過程中使用了海量語料，具有較好的適用性，能夠有效提升自然語言處理任務(wù)的性能[34]。本文提出的FRUDE模型首先按字符粒度對輸入文本di進(jìn)行分割，然后使用預(yù)訓(xùn)練BERT模型得到di中每個(gè)字符的編碼向量[b1,b2,…]，作為下一步文本上下文特征編碼的輸入。

為避免在訓(xùn)練中產(chǎn)生過擬合現(xiàn)象，F(xiàn)RUDE模型在進(jìn)行上下文編碼前加入了隨機(jī)遮擋層，記隨機(jī)遮擋概率為r,該層共支持三種策略：

策略1： 隨機(jī)選中遮擋概率為r的字符，并置選中字符的編碼向量所有維度為0。

策略2： 隨機(jī)選中遮擋概率為r的字符編碼向量維度，并置所有字符編碼向量內(nèi)選中的向量維度為0。

策略3： 隨機(jī)選中遮擋概率為r的字符和編碼向量維度，并將選中字符及被選中的向量維度置為0。

2.3.2 少樣本模型的多層雙向GRU編碼器

為獲取豐富的上下文信息，F(xiàn)RUDE模型采用帶門結(jié)構(gòu)的循環(huán)神經(jīng)網(wǎng)絡(luò)(GRU)對輸入文本進(jìn)行編碼[35]，其定義如式(1)～式(3)所示。

將上述過程簡化為ht=GRU(xt,ht-1), 其中，ht和ht-1分別為本輪和上一輪的隱式狀態(tài)；xt為序列當(dāng)前的輸入，表示第t個(gè)字符的BERT編碼向量。按照時(shí)間展開并簡化為h=GRU(x,h0),h表示h1:T,x表示x1:T,T代表句子的長度，h0為初始隱式狀態(tài)，通常為零向量。

2.3.3 基于元學(xué)習(xí)的少樣本學(xué)習(xí)方法

本節(jié)主要介紹基于元學(xué)習(xí)的少樣本謠言檢測方法。該方法旨在構(gòu)造一個(gè)具備快速學(xué)習(xí)和適應(yīng)新任務(wù)能力的謠言檢測模型，適用于在僅有極少量有標(biāo)簽樣例的情況下，判斷與該事件相關(guān)的微博是否為謠言，可應(yīng)用于新冠這類突發(fā)事件的謠言檢測任務(wù)。

在機(jī)器學(xué)習(xí)領(lǐng)域,針對少樣本任務(wù)的元學(xué)習(xí)理論和方法快速發(fā)展。其核心思想是從訓(xùn)練數(shù)據(jù)中抽樣大量不同的任務(wù)組合，使模型學(xué)習(xí)到數(shù)據(jù)中可以遷移的知識來滿足不同的任務(wù)。其中目前最先進(jìn)的方法通過梯度下降方法找到一組最優(yōu)的預(yù)訓(xùn)練模型參數(shù)[6,23]，使得該模型僅需通過幾個(gè)樣例就可以快速適應(yīng)新的未知任務(wù)，并通過遷移預(yù)訓(xùn)練中得到的知識，得到較準(zhǔn)確的結(jié)果。

對于謠言檢測任務(wù)來說，元學(xué)習(xí)框架可以幫助模型理解不同語境、事件的謠言和非謠言，學(xué)習(xí)到通用的區(qū)別謠言與非謠言的可遷移知識，例如謠言往往具有的夸大的語氣和大量出現(xiàn)的感嘆詞等。因此元學(xué)習(xí)模型具備了在全新的事件上對文本樣例進(jìn)行謠言檢測的能力，其訓(xùn)練流程如圖4所示。

圖4 元學(xué)習(xí)訓(xùn)練流程

元學(xué)習(xí)的訓(xùn)練任務(wù)是最小化訓(xùn)練損失函數(shù)。對于謠言檢測來說，給定一個(gè)batch的少樣本任務(wù)B={T1,…,TB},訓(xùn)練目標(biāo)是減少分類交叉熵L。總的損失函數(shù)L，如式(5)所示。

(5)

其中，模型參數(shù)w是2.3.2節(jié)定義的多層雙向GRU網(wǎng)絡(luò)。通過多次迭代，可獲得最優(yōu)化的模型w*。結(jié)合2.1節(jié)定義的N-taskK-shotQ-query少樣本任務(wù)，本節(jié)提出以下元學(xué)習(xí)訓(xùn)練步驟。

步驟 1： 抽樣從訓(xùn)練數(shù)據(jù)中抽取|B|個(gè)少樣本學(xué)習(xí)任務(wù)|T|,每一個(gè)任務(wù)包括了E個(gè)不同的事件，每一個(gè)事件分別抽樣選取K個(gè)謠言和非謠言文本來訓(xùn)練模型，以適應(yīng)這E個(gè)事件，記為支持集合T(s)。同時(shí)分別抽樣Q個(gè)謠言和非謠言文本用于模型優(yōu)化, 記為查詢集合T(q)。因此一個(gè)任務(wù)中包含了N×(K+Q) 條文本數(shù)據(jù)(其中N=E×2)。

步驟 2： 新事件適應(yīng)為了讓模型適應(yīng)新事件，更好地學(xué)習(xí)新事件中的語義信息，在這一步驟使用梯度下降法(SGD)在少樣本支持?jǐn)?shù)據(jù)集T(s)上更新模型參數(shù)，其步驟如式(6)所示。

w′=w-α?wLT(s)(w)

(6)

其中，α是適應(yīng)步驟的學(xué)習(xí)速率，把w′記為事件適應(yīng)的模型參數(shù)。可利用w′來對查詢數(shù)據(jù)集中的文本數(shù)據(jù)進(jìn)行謠言檢測，并更新模型參數(shù)。

步驟3： 模型優(yōu)化該步驟是衡量事件適應(yīng)模型w′在新事件上的表現(xiàn)。在訓(xùn)練階段，查詢數(shù)據(jù)集T(q)包含了該事件上是否為謠言的真實(shí)標(biāo)簽，可使用這些標(biāo)簽，通過SGD來更新原始模型參數(shù)w,如式(7)所示。

(7)

其中，γ是學(xué)習(xí)速率。優(yōu)化原始模型參數(shù)w需要通過中間變量w′，而w′也是關(guān)于w的函數(shù)，這就導(dǎo)致上述計(jì)算過程需要求解關(guān)于w的Hessian矩陣，這無疑導(dǎo)致巨大的計(jì)算量。本文選擇忽略二階導(dǎo)數(shù)來直接估計(jì)w的梯度，相關(guān)研究顯示該方法對最終的模型性能影響很小，卻能大幅度減少計(jì)算量[6,23]。

在模型測試階段，可直接使用事件適應(yīng)模型w′判別該事件中查詢文本是謠言的概率，即使用一個(gè)全連接層加上Sigmoid函數(shù)σ將隱狀態(tài)轉(zhuǎn)化輸出為謠言的概率p=σ(Wh+b)。

3 實(shí)驗(yàn)與分析

本節(jié)使用本文提出的少樣本謠言檢測模型開展實(shí)驗(yàn)與分析，分別在新浪微博數(shù)據(jù)集和推特PHEME數(shù)據(jù)集上開展對比實(shí)驗(yàn)。

3.1 數(shù)據(jù)集

為了展示模型在新冠謠言檢測上的效果，本文使用基于新浪微博采集的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)。同時(shí)，為了體現(xiàn)模型的通用性，本文也選取謠言檢測任務(wù)中常用的公共數(shù)據(jù)集開展實(shí)驗(yàn)，兩個(gè)數(shù)據(jù)集的描述如下：

新冠謠言數(shù)據(jù)集針對少樣本學(xué)習(xí)任務(wù)，該數(shù)據(jù)集由11個(gè)與新冠無關(guān)的事件以及3個(gè)與新冠有關(guān)的事件構(gòu)成，每個(gè)事件均包含多條謠言及非謠言微博，其中11個(gè)事件作為訓(xùn)練集和驗(yàn)證集訓(xùn)練模型，3個(gè)新冠相關(guān)事件作為測試集驗(yàn)證少樣本新冠謠言檢測效果，整個(gè)數(shù)據(jù)集由3 840條中文謠言和非謠言構(gòu)成。不失一般性地，11個(gè)與新冠無關(guān)的事件被隨機(jī)劃分為三個(gè)數(shù)據(jù)子集，每個(gè)子集分為訓(xùn)練集和驗(yàn)證集，分別命名為split 0、split 1和split 2。

PHEME謠言數(shù)據(jù)集該公共數(shù)據(jù)集包含來自推特的謠言和非謠言數(shù)據(jù)，共包含5個(gè)事件[36]。為了驗(yàn)證少樣本學(xué)習(xí)效果，本文將5個(gè)事件中最新發(fā)生的2個(gè)事件作為測試集，將剩余3個(gè)作為訓(xùn)練集和驗(yàn)證集訓(xùn)練模型，本文使用文獻(xiàn)中預(yù)處理后的數(shù)據(jù)集開展實(shí)驗(yàn)[37]，整個(gè)數(shù)據(jù)集共有2 305條英文謠言和非謠言。其中用于訓(xùn)練的數(shù)據(jù)同樣劃分為三個(gè)數(shù)據(jù)子集，分別為split 0、split 1和split 2。

3.2 基線模型

本文使用如下三種基線模型開展對比實(shí)驗(yàn)，以展示FRUDE模型在少樣本場景下的有效性：

DT-EMB在早期決策樹算法常被用于謠言檢測任務(wù)中[15]，該基線模型以決策樹為基分類器，每條樣例使用由預(yù)訓(xùn)練BERT模型編碼后得到的詞嵌入均值作為該樣例的特征向量。

SEQ-CNN近年來，CNN常被用于深度謠言檢測模型中[4]，該基線模型以卷積神經(jīng)網(wǎng)絡(luò)為基分類器，每條樣例的輸入與本文提出的模型一致，即由預(yù)訓(xùn)練BERT模型編碼后得到的詞嵌入序列。

SEQ-GRU近年來，RNN常被用于深度謠言檢測模型中[3,17]，該基線模型以雙向門循環(huán)神經(jīng)網(wǎng)絡(luò)為分類器，每條樣例的輸入與本文提出的模型一致，即由預(yù)訓(xùn)練BERT模型編碼后得到的詞嵌入序列。

由于本文提出的模型基于少樣本場景提出，為了進(jìn)行公平比較，針對傳統(tǒng)機(jī)器學(xué)習(xí)方法DT-EMB，在訓(xùn)練集中加入少量采樣的新事件數(shù)據(jù)訓(xùn)練模型，采樣數(shù)量與FRUDE模型保持一致；針對深度學(xué)習(xí)方法SEQ-CNN和SEQ-GRU，使用訓(xùn)練集訓(xùn)練模型，采樣少量的新事件數(shù)據(jù)進(jìn)行模型微調(diào)后再進(jìn)行測試，采樣的新事件數(shù)量同樣與FRUDE模型保持一致。其中各模型在采樣時(shí)使用的隨機(jī)采樣種子相同，這不僅能保證數(shù)據(jù)的一致性，并且保證從新事件數(shù)據(jù)中采樣出的少樣本訓(xùn)練數(shù)據(jù)不出現(xiàn)在測試集中。

3.3 實(shí)驗(yàn)及參數(shù)設(shè)置

針對中文新冠謠言和英文PHEME公共數(shù)據(jù)集，本節(jié)分別使用由HuggingFace(2)https://s3.amazonaws.com/models.huggingface.co提供的中、英文BERT預(yù)訓(xùn)練模型及對應(yīng)詞表獲取輸入文本的字符向量，針對中文數(shù)據(jù)，使用BERT-base-Chinese預(yù)訓(xùn)練模型，其詞匯表大小為21 128；針對英文數(shù)據(jù)，使用BERT-base-uncased預(yù)訓(xùn)練模型，其詞匯表大小為20 644，預(yù)訓(xùn)練向量維數(shù)均為768。同時(shí)，結(jié)合兩個(gè)數(shù)據(jù)集的特點(diǎn)，新冠謠言數(shù)據(jù)集輸入文本長度統(tǒng)一截取為100，PHEME公共數(shù)據(jù)集輸入文本長度統(tǒng)一截取為32；由于新冠謠言數(shù)據(jù)集中有3個(gè)與新冠相關(guān)的事件作為測試集，由2.1節(jié)定義1中有關(guān)任務(wù)的定義可知，可將新冠謠言數(shù)據(jù)集建模為6-task，同理，PHEME公共數(shù)據(jù)集中有兩個(gè)事件作為測試集，因此該數(shù)據(jù)集可建模為4-task，本文實(shí)驗(yàn)統(tǒng)一以5-shot 9-query的設(shè)置開展比較實(shí)驗(yàn)，因此新冠謠言數(shù)據(jù)集的少樣本學(xué)習(xí)任務(wù)為6-task 5-shot 9-query，PHEME謠言數(shù)據(jù)集的少樣本學(xué)習(xí)任務(wù)為4-task 5-shot 9-query，即每個(gè)任務(wù)僅采樣5條有標(biāo)簽數(shù)據(jù)進(jìn)行訓(xùn)練。在元學(xué)習(xí)階段，設(shè)置學(xué)習(xí)率α=0.001。在將字符向量輸入GRU模型前，本節(jié)比較了2.3.1節(jié)提出的三種隨機(jī)遮擋策略，圖5是新冠謠言數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果。

圖5 使用不同隨機(jī)遮擋策略在新冠謠言數(shù)據(jù)集上的準(zhǔn)確率對比

觀察圖5可知，無遮擋策略在三個(gè)實(shí)驗(yàn)數(shù)據(jù)子集中的準(zhǔn)確率最低，可見在對輸入文本進(jìn)行字符向量編碼后，需要隨機(jī)遮擋后再開展下一步的上下文特征編碼。其中遮擋策略1得到的效果最佳，因此在本節(jié)實(shí)驗(yàn)中，F(xiàn)RUDE模型的隨機(jī)遮擋層使用策略1，針對隨機(jī)遮擋概率這一參數(shù)，本文同樣通過實(shí)驗(yàn)方式確定，不同遮擋概率下FRUDE模型的性能如圖6所示，可以觀察到，當(dāng)遮蓋概率為30%時(shí)，模型取得最佳效果，因此在本實(shí)驗(yàn)中，遮擋概率設(shè)置為30%。此外，雙向GRU模型的隱藏層數(shù)設(shè)置為2，隱藏層維數(shù)設(shè)置為128。

圖6 使用隨機(jī)遮擋策略1時(shí)不同遮擋概率對新冠謠言數(shù)據(jù)集謠言檢測準(zhǔn)確率的影響

3.4 謠言檢測實(shí)驗(yàn)

本實(shí)驗(yàn)使用分類準(zhǔn)確率(accuracy)進(jìn)行模型效果評估，準(zhǔn)確率越高，代表謠言檢測效果越好。為了不失一般性，分別在三個(gè)數(shù)據(jù)子集上開展謠言檢測的二分類實(shí)驗(yàn)，其中每個(gè)數(shù)據(jù)子集的結(jié)果均為200次少樣本學(xué)習(xí)的準(zhǔn)確率均值。

觀察表2、表3的實(shí)驗(yàn)結(jié)果可知： 僅采用傳統(tǒng)機(jī)器學(xué)習(xí)方法(如DT-EMB)，在少樣本場景下謠言檢測的性能非常差，對于二分類問題的準(zhǔn)確率在56%左右，僅比隨機(jī)猜測的策略略好；使用深度神經(jīng)網(wǎng)絡(luò)的方法(SEQ-CNN和SEQ-RNN)由于采用微調(diào)的策略，可以在歷史數(shù)據(jù)訓(xùn)練好的模型上，通過使用少量有標(biāo)簽的新樣例數(shù)據(jù)進(jìn)行模型微調(diào)，從而得到對于新事件有一定適用性的預(yù)測模型，這說明通過預(yù)訓(xùn)練+微調(diào)的方法可以在一定程度上提高模型性能；本文提出的FRUDE模型，采用了基于元學(xué)習(xí)的少樣本學(xué)習(xí)方法，能夠通過梯度下降的方式將歷史事件學(xué)習(xí)到的信息遷移到新事件的預(yù)測模型中，在謠言檢測的準(zhǔn)確率上，F(xiàn)RUDE模型高出預(yù)訓(xùn)練+微調(diào)方法3%～6%，這說明本文提出的基于元學(xué)習(xí)的方法，在訓(xùn)練數(shù)據(jù)僅存在極少量有標(biāo)簽樣例的場景下，具有更加顯著的優(yōu)勢。

表2 新冠謠言數(shù)據(jù)集謠言檢測準(zhǔn)確率 (單位: %)

表3 PHEME公共數(shù)據(jù)集謠言檢測準(zhǔn)確率 (單位: %)

本文同時(shí)開展了不同shot數(shù)量下FRUDE模型在新冠謠言檢測任務(wù)上的性能實(shí)驗(yàn)，分別設(shè)置為6-task 1-shot 9-query以及6-task 3-shot 9-query，實(shí)驗(yàn)結(jié)果如表4所示。

表4 不同shot數(shù)設(shè)置下FRUDE模型在新冠謠言數(shù)據(jù) 集上開展謠言檢測的準(zhǔn)確率 (單位: %)

觀察表4的實(shí)驗(yàn)結(jié)果可知： 參與任務(wù)適應(yīng)的少樣本數(shù)據(jù)量對于FRUDE模型的性能有直接的影響，分別使用1-shot、3-shot以及5-shot得到的新冠謠言檢測結(jié)果呈遞增趨勢，表明少量增加樣本數(shù)量能夠有效提升FRUDE模型的預(yù)測效果；此外，對比觀察表4中1-shot設(shè)定下的實(shí)驗(yàn)結(jié)果以及表2中三個(gè)基線模型的結(jié)果，表2中三個(gè)基線模型分別在訓(xùn)練過程中使用了5-shot樣本參與模型訓(xùn)練，而表4中僅使用1-shot樣本的FRUDE模型已得到高于所有基線方法的準(zhǔn)確率，展示出FRUDE模型在少樣本學(xué)習(xí)中的有效性，也說明針對新冠這一少樣本突發(fā)事件，其謠言檢測任務(wù)需要在現(xiàn)有方法基礎(chǔ)上引入少樣本學(xué)習(xí)的必要性和重要性。

4 總結(jié)

本文提出了一種基于少樣本學(xué)習(xí)的新冠謠言檢測模型。現(xiàn)有工作一般需要充足的有標(biāo)簽數(shù)據(jù)進(jìn)行模型訓(xùn)練，對于新冠這類突發(fā)事件，在謠言產(chǎn)生初期相關(guān)數(shù)據(jù)極少，已有方法的適用性存在局限性。因此本文結(jié)合當(dāng)前主流的深度神經(jīng)網(wǎng)絡(luò)建模方法，使用基于元學(xué)習(xí)的少樣本機(jī)器學(xué)習(xí)方法，提出適用于突發(fā)事件的新浪微博謠言檢測模型。實(shí)驗(yàn)結(jié)果表明，該模型在本文提出的新冠謠言數(shù)據(jù)集以及公共的PHEME謠言數(shù)據(jù)集上，在少樣本謠言檢測任務(wù)中準(zhǔn)確率均得到了顯著提升，本文提出的FRUDE模型可行有效。