沈瑞琳，潘偉民，彭 成，尹鵬博

新疆師范大學(xué) 計算機(jī)科學(xué)技術(shù)學(xué)院，烏魯木齊830054

新浪微博的廣泛應(yīng)用，使信息的傳播和共享更加的快捷。大量的微博用戶隨時隨地地發(fā)表自己對各種信息的看法，這些信息借助關(guān)注者的轉(zhuǎn)發(fā)，在整個社交網(wǎng)絡(luò)中傳播，其中不乏有謠言信息。謠言信息的廣泛傳播給人們的日常生活和社交網(wǎng)絡(luò)的健康發(fā)展都造成了不利影響。因此，研究如何自動有效地檢測謠言具有非常重要的意義。

研究表明[1-4]，當(dāng)一條謠言信息被發(fā)表之后，其他用戶在轉(zhuǎn)發(fā)或者評論該信息時，常伴隨著負(fù)面的情感，例如懷疑、焦慮、憂愁、忐忑、恐懼、驚慌等，相比于非謠言博文，謠言博文伴隨的負(fù)面情感色彩更濃厚[1]。因此情感傾向作為謠言檢測的一個重要特征，對于準(zhǔn)確識別謠言有非常大的幫助。

目前，謠言檢測主要采用基于傳統(tǒng)機(jī)器學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)的方法，不僅研究了如何構(gòu)建高效的神經(jīng)網(wǎng)絡(luò)模型，還研究了很多方面的特征，例如謠言的文本特征、情感特征[2]或發(fā)表者的相關(guān)特征等。

雖然基于深度神經(jīng)網(wǎng)絡(luò)的方法已經(jīng)在微博謠言檢測任務(wù)上取得了很大的進(jìn)步。但是，采用基于受監(jiān)督的單任務(wù)目標(biāo)來訓(xùn)練模型面臨著帶標(biāo)簽數(shù)據(jù)不足的問題。對此，鑒于謠言與情感傾向的強(qiáng)關(guān)聯(lián)性，本文采用多任務(wù)學(xué)習(xí)（Multi Task Learning，MTL）框架來共同學(xué)習(xí)謠言檢測和情感分析兩個相關(guān)任務(wù)，由于涉及多個任務(wù)的數(shù)據(jù)集，增加了謠言檢測模型學(xué)習(xí)的數(shù)據(jù)量，解決了帶標(biāo)簽數(shù)據(jù)不足的問題，并降低了單任務(wù)學(xué)習(xí)中的過度擬合程度。本文設(shè)計了一種基于BERT（Bidirectional Encoder Representations from Transformers）和雙向門控循環(huán)單元（Gated Recurrent Unit，GRU）的聯(lián)合神經(jīng)網(wǎng)絡(luò)對謠言檢測數(shù)據(jù)和情感分析數(shù)據(jù)進(jìn)行建模，包含謠言檢測層和共享層，通過聯(lián)合訓(xùn)練，獲取任務(wù)之間的共享特征，通過謠言檢測層獲取謠言檢測任務(wù)的獨(dú)有特征，利用共享特征輔助謠言檢測任務(wù)，提升模型的學(xué)習(xí)能力。

1 相關(guān)工作

1.1 謠言檢測

謠言自動檢測一直是自然語言處理領(lǐng)域（Natural Language Processing，NLP）的研究熱點(diǎn)。根據(jù)研究方法的區(qū)別，可以將其分為兩類，分別是基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法和基于深度神經(jīng)網(wǎng)絡(luò)的方法。

（1）基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法

相比于國內(nèi)的微博平臺，國外的Twitter平臺對謠言檢測的時間更早。Castillo等人[5]在2011年針對Twitter平臺，打破了人工檢測的制約，首次提出自動檢測博文信息是否可信的方法，開啟了謠言自動檢測的先河。2012年，Yang等人[6]首次提出面向新浪微博的自動謠言檢測方法，該方法根據(jù)微博平臺提供的信息提取了19個特征，然后利用SVM分類器對微博信息進(jìn)行分類。隨后，研究者在此基礎(chǔ)上展開了進(jìn)一步的研究[7-11]，通過尋找事件相關(guān)信息中的情感極性、質(zhì)疑更正信號、用戶影響力、地理位置信息、傳播結(jié)構(gòu)的相似性等特征提高模型的檢測效果。但是，基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法需要人工構(gòu)建特征，不僅消耗大量的人力、物力和時間，模型的魯棒性也不強(qiáng)。

（2）基于深度神經(jīng)網(wǎng)絡(luò)的方法

為避免人工構(gòu)造特征，研究者提出了基于深度學(xué)習(xí)的方法。Ma等人[12]采用循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN），通過學(xué)習(xí)微博事件的連續(xù)信息來捕獲信息隨時間變化的特征，實(shí)驗(yàn)結(jié)果表明該方法優(yōu)于使用手工制造特征的謠言檢測模型。隨著卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）在圖像處理領(lǐng)域取得的成功，Yu等人[13]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的謠言檢測方法，該方法根據(jù)謠言信息和非謠言信息的分布特點(diǎn)，對事件進(jìn)行分組，進(jìn)而獲取輸入信息的全局特征和分布在每個輸入序列的關(guān)鍵特征。單一模型對特征的提取總是存在局限，對此研究中提出了聯(lián)合神經(jīng)網(wǎng)絡(luò)模型，尹鵬博等人[14]提出了一種基于用戶特征分析的微博謠言早期檢測方法，通過對用戶歷史微博進(jìn)行情感分析得到用戶的發(fā)文行為特征，結(jié)合用戶屬性和微博文本，采用CNN和長短期記憶神經(jīng)網(wǎng)絡(luò)（Long Short-Term Memory，LSTM）聯(lián)合模型提取特征進(jìn)行謠言檢測。相比LSTM神經(jīng)網(wǎng)絡(luò)，GRU的參數(shù)更少，李力釗等人[15]提出一種將CNN和GRU聯(lián)合的微博謠言檢測模型，該方法利用CNN捕獲微博信息的局部特征，利用GRU捕獲微博信息的上下文特征，從而得到全局特征。

目前，微博謠言檢測領(lǐng)域的帶標(biāo)簽數(shù)據(jù)尚不充足，采用深度神經(jīng)網(wǎng)絡(luò)模型容易導(dǎo)致模型過擬合。對此，一些研究者提出了無監(jiān)督的方法[16-17]，但是，無監(jiān)督模型存在穩(wěn)定性差的問題。

1.2 多任務(wù)學(xué)習(xí)

MTL早在1997年就已經(jīng)被提出，在NLP任務(wù)中能夠顯著改進(jìn)實(shí)驗(yàn)結(jié)果。例如，Liu等人[18]提出了三種基于RNN的共享信息模型，第一個模型對所有任務(wù)使用一個共享層，第二個模型對不同的任務(wù)使用不同的網(wǎng)絡(luò)層，但是每一層都可以從其他層獲取信息，第三個模型為每個任務(wù)分配一個特定的網(wǎng)絡(luò)層，同時為所有任務(wù)建立一個共享層。實(shí)驗(yàn)結(jié)果表明，模型三的效果最好，該模型通過將多個任務(wù)聯(lián)合起來訓(xùn)練，解決了帶標(biāo)簽數(shù)據(jù)少的問題。在此基礎(chǔ)上，Ma等人[19]對模型三進(jìn)行了改進(jìn)，采用GRU作為共享層和任務(wù)特定層，提出了一個將謠言檢測和姿態(tài)分類這兩個高度相關(guān)的任務(wù)結(jié)合起來的聯(lián)合框架，通過權(quán)值共享的方法對兩個任務(wù)進(jìn)行聯(lián)合訓(xùn)練，提取出多個任務(wù)的共同特征，同時每個任務(wù)仍然可以學(xué)習(xí)其任務(wù)的特定特征，該方法使兩個任務(wù)都獲得了比基線方法更好的效果。

在謠言檢測工作中，研究者指出情感特征對謠言檢測的重要性[1-4]。如首歡容等人[3]指出網(wǎng)絡(luò)謠言具有語言風(fēng)格夸張、情感特征異常的特點(diǎn)，對此提出了一種基于情感分析技術(shù)的謠言檢測方法，通過基于情感詞典的情感分析方法，判定低質(zhì)量信息源提供的信息是否屬于謠言。李巍胤[4]指出謠言信息中包含的負(fù)面情緒遠(yuǎn)超出非謠言信息中所包含的負(fù)面情緒，將情感極性特征作為識別謠言的一個重要特征，提取評論和轉(zhuǎn)發(fā)信息中的情感特征，加入到微博謠言識別的特征屬性之中，訓(xùn)練謠言檢測分類器。

以往的謠言檢測研究中都有一個共同的不足，即都是單任務(wù)學(xué)習(xí)，只涉及謠言檢測這一個任務(wù)。單任務(wù)學(xué)習(xí)對數(shù)據(jù)集中包含的信息利用并不充分，現(xiàn)有的微博謠言檢測任務(wù)僅有少量的帶標(biāo)簽數(shù)據(jù)，在基于深度神經(jīng)網(wǎng)絡(luò)的模型中數(shù)據(jù)集較少時容易出現(xiàn)過擬合的現(xiàn)象。對此，本文采用MTL的方法，通過將微博謠言檢測任務(wù)和情感分析任務(wù)之間的信息共享解決微博謠言檢測任務(wù)帶標(biāo)簽數(shù)據(jù)少的問題。

2 基于多任務(wù)學(xué)習(xí)謠言檢測模型的構(gòu)建

MTL將多個相關(guān)任務(wù)放在一個神經(jīng)網(wǎng)絡(luò)中并行學(xué)習(xí)，一般分為一個主要任務(wù)和若干個輔助任務(wù)，通過隱層利用不同任務(wù)之間的相似性來輔助決策。本文中微博謠言檢測為主任務(wù)，情感分析為輔助任務(wù)。

考慮到謠言檢測和情感分析既有相關(guān)聯(lián)的共同特征，又有各自獨(dú)有的特征，比如負(fù)向情感和判斷為是謠言信息具有共同的特征，但是情感分析更加注重情感傾向性，而謠言檢測更加注重信息的真?zhèn)涡?。對此，本文模型既包含共享隱層又包含獨(dú)立于特定任務(wù)的網(wǎng)絡(luò)層，由嵌入層、謠言檢測層、共享層、分類器四部分組成，如圖1所示。

圖1 基于BERT-BiGRU的多任務(wù)微博謠言檢測模型Fig.1 Multi-task Weibo rumor detection model based on BERT-BiGRU

利用World2vec對數(shù)據(jù)進(jìn)行向量化，將謠言檢測數(shù)據(jù)和情感分析數(shù)據(jù)分別輸入到各自的嵌入層，然后由謠言檢測層捕獲任務(wù)特有的數(shù)據(jù)特征，此外，還要將多個任務(wù)的數(shù)據(jù)輸入到共享層，捕獲多個任務(wù)之間的共同特征，將共同特征作為謠言檢測任務(wù)的補(bǔ)充信息，提高謠言檢測的效果。

（1）共享層

BBiGM的成功之處就是可以通過共享層共享多個任務(wù)之間的共同特征，充分利用任務(wù)之間的互補(bǔ)性及語料數(shù)據(jù)信息，進(jìn)而提高微博謠言檢測任務(wù)的預(yù)測性能。在這一層提取的共同特征，將作為微博謠言檢測任務(wù)的輸入之一。

共享層采用預(yù)訓(xùn)練語言模型BERT。BERT通過自注意力機(jī)制建模，可以直接獲取文本的全局信息，由于其沒有遺忘門機(jī)制，所有詞的信息都得以保留，因此BERT能夠更好地表達(dá)句子的完整語義信息，同時也能從全局的詞特征中直接尋找詞與詞之間的相關(guān)性特征。因此，采用BERT模型能夠捕獲多個任務(wù)之間更多的共享信息。

（2）謠言檢測層

謠言檢測層采用BiGRU模型，用于獲取微博謠言檢測數(shù)據(jù)的特有特征。該部分包含兩個來源的輸入，微博數(shù)據(jù)嵌入層的輸出和共享層輸出的共享特征，將兩者進(jìn)行融合相當(dāng)于給微博謠言檢測增加了更多判斷信息。BiGRU是由兩個方向相反的GRU單元共同組成的，輸出狀態(tài)由兩個GRU共同決定的雙向網(wǎng)絡(luò)結(jié)構(gòu)。GRU與LSTM類似，都是RNN的衍生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在單向的網(wǎng)絡(luò)結(jié)構(gòu)中，數(shù)據(jù)總是單向順序地從前向后傳遞[8]。如果狀態(tài)能夠由前一時刻和后一時刻共同傳遞，將更有助于對文本深層次的特征進(jìn)行提取。BiGRU的結(jié)構(gòu)如圖2所示。

圖2 BiGRU神經(jīng)網(wǎng)絡(luò)模型Fig.2 BiGRU neural network model

由于BiGRU可以看做是由兩個反向的GRU組成，因此在t時刻的隱層狀態(tài)是由前向隱層狀態(tài)hft-1和反向隱層狀態(tài)ht-1共同決定的：

GRU()代表輸入詞向量的非線性變換，通過GRU()函數(shù)得到詞向量編碼對應(yīng)的隱層狀態(tài)，wt代表t時刻所對應(yīng)的前向隱層狀態(tài)hft所對應(yīng)的權(quán)重，vt表示t時刻所對應(yīng)的反向隱層狀態(tài)hrt所對應(yīng)的權(quán)重，bt代表t時刻隱層狀態(tài)所對應(yīng)的偏置。

（3）分類器

將共享層和特定任務(wù)層融合后的特征輸入到softmax層，采用線性修正單元函數(shù)（Rectified Linear Units，ReLU）作為激活函數(shù)。輸出對一個事件是否為謠言的檢測結(jié)果。謠言檢測任務(wù)的分類過程可以定義為：

其中，yr代表謠言檢測任務(wù)的預(yù)測概率；Wr代表需要學(xué)習(xí)的權(quán)重；hr是謠言檢測任務(wù)特定層的最終輸出；br是偏置項。

3 實(shí)驗(yàn)分析

3.1 實(shí)驗(yàn)平臺及環(huán)境

本研究采用Pycharm作為編程IDE，BBiGM聯(lián)合神經(jīng)網(wǎng)絡(luò)模型基于Tensorflow 2.0實(shí)現(xiàn)，編程語言為Python 3.6。

采用操作系統(tǒng)為Windows10 64位、內(nèi)存為16 GB、CPU為i7-8750H、處理器為Intel?CoreTMi7-8750H CPU＠2.20 GHz 2.21 GHz的計算機(jī)作為實(shí)驗(yàn)硬件環(huán)境。

3.2 數(shù)據(jù)集

在MTL中，多個任務(wù)之間的相關(guān)性越強(qiáng)，對任務(wù)的輔助作用越大，因此，本文的兩個任務(wù)都采用微博相關(guān)的數(shù)據(jù)集。

微博謠言檢測采用Ma等人公開的數(shù)據(jù)集，該數(shù)據(jù)集被認(rèn)為是目前最權(quán)威的微博謠言檢測數(shù)據(jù)集，由事件及與事件相關(guān)的評論轉(zhuǎn)發(fā)等信息構(gòu)成。謠言事件和非謠言事件比例約是1∶1，其中謠言事件2 313個，非謠言事件2 351個。本文將數(shù)據(jù)分為驗(yàn)證集、訓(xùn)練集和測試集三部分，其中10%的事件為驗(yàn)證集，其余數(shù)據(jù)按照3∶1的比例分割用于訓(xùn)練集和測試集。

情感分析采用公開的新浪微博評論語料（weibo_senti_100k）數(shù)據(jù)集。數(shù)據(jù)集含10萬條帶傾向性標(biāo)注的數(shù)據(jù)，其中正負(fù)評論各約5萬條，1表示正向評論，0表示負(fù)向評論。

3.3 數(shù)據(jù)預(yù)處理

為了提高數(shù)據(jù)的質(zhì)量，對微博謠言檢測任務(wù)數(shù)據(jù)和情感分析任務(wù)數(shù)據(jù)進(jìn)行了去噪處理。利用正則表達(dá)式去除了數(shù)據(jù)中的＠符號、＠的內(nèi)容、空格、空行、URL信息等。本文中并沒有去掉表情符號，因?yàn)槿缃癖砬榉栆呀?jīng)成為人們在網(wǎng)絡(luò)平臺表達(dá)自己想法的一種重要形式，深度神經(jīng)網(wǎng)絡(luò)也可以根據(jù)表情符號挖掘深層情感特征，因此，這里保留了文本中的表情符號。

3.4 學(xué)習(xí)率微調(diào)

由于模型中將共享層提取的特征用于共享，因此可以將該層針對微博謠言檢測任務(wù)進(jìn)行微調(diào)，對于是否進(jìn)行微調(diào)本文設(shè)計了相關(guān)實(shí)驗(yàn)，結(jié)果如表1所示。進(jìn)行微調(diào)比不進(jìn)行微調(diào)的準(zhǔn)確率高出了0.8個百分點(diǎn)。因此，本文選擇微調(diào)后的模型進(jìn)行謠言檢測。其中，before對應(yīng)的是模型微調(diào)前的結(jié)果，after對應(yīng)的是模型微調(diào)后的結(jié)果。

表1 模型微調(diào)前后的實(shí)驗(yàn)結(jié)果對比Table 1 Comparison of experimental results before and after model fine-tuning

學(xué)習(xí)率的最優(yōu)值可以通過學(xué)習(xí)率選擇實(shí)驗(yàn)確定，本文分別在15組數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 準(zhǔn)確率與微調(diào)學(xué)習(xí)率的關(guān)系Fig.3 Relationship between accuracy and fine-tuning learning rate

通過圖3的實(shí)驗(yàn)結(jié)果可知，當(dāng)微調(diào)學(xué)習(xí)率為0.000 8時，得到的準(zhǔn)確率最高。

3.5 多任務(wù)學(xué)習(xí)與單任務(wù)學(xué)習(xí)實(shí)驗(yàn)對比

為了探究多任務(wù)學(xué)習(xí)模型是否比單任務(wù)學(xué)習(xí)更有效，以及情感分析任務(wù)是否對謠言檢測有幫助。本文設(shè)計了單任務(wù)學(xué)習(xí)與多任務(wù)學(xué)習(xí)的對比實(shí)驗(yàn)，以本文設(shè)計的多任務(wù)學(xué)習(xí)模型為基礎(chǔ)設(shè)計單任務(wù)學(xué)習(xí)模型，將BBiGM模型中的情感分析嵌入層去掉，將向量化后的微博謠言檢測數(shù)據(jù)分別輸入到謠言檢測層和共享層，將兩個神經(jīng)網(wǎng)絡(luò)輸出的最終狀態(tài)進(jìn)行融合，然后再通過Softmax層進(jìn)行分類。實(shí)驗(yàn)結(jié)果對比如表2所示。其中S-task表示單任務(wù)學(xué)習(xí)（Single-task），M-task表示多任務(wù)學(xué)習(xí)（Multi-task）。

表2 單任務(wù)與多任務(wù)實(shí)驗(yàn)結(jié)果對比Table 2 Comparison of single-task and multi-task experimental results

從表2的結(jié)果可以看出多任務(wù)學(xué)習(xí)比單任務(wù)學(xué)習(xí)的準(zhǔn)確率高出了1.7個百分點(diǎn)，證明了多任務(wù)學(xué)習(xí)比單任務(wù)學(xué)習(xí)效果更好。

3.6 與基線模型的實(shí)驗(yàn)對比

為了驗(yàn)證本文方法的有效性，選取了目前較好的模型作為基線模型進(jìn)行對比實(shí)驗(yàn)，分別是DT-Rank[5]、DTC[8]、SVM-TS[10]、GRU、GRU-2[12]、C-LSTM[14]。本文將BBiGM模型的實(shí)驗(yàn)結(jié)果與上述線模型進(jìn)行對比，如表3所示。

表3 展示了本文模型與各基線模型的對比結(jié)果，基線模型中包含傳統(tǒng)機(jī)器學(xué)習(xí)方法和傳統(tǒng)深度學(xué)習(xí)方法，其中，DT-Rank、DTC、SVM-TS是傳統(tǒng)機(jī)器學(xué)習(xí)模型，GRU、GRU-2、C-LSTM是深度學(xué)習(xí)模型。

表3 BBiGM模型與各基線模型的實(shí)驗(yàn)結(jié)果對比Table 3 Comparison of experimental results between BBiGM model and each baseline model

在基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法中，SVM-TS的效果最優(yōu)，準(zhǔn)確率達(dá)到了85.7%，由于深度學(xué)習(xí)模型可以提取數(shù)據(jù)的更多隱層特征，因此基于深度學(xué)習(xí)方法的結(jié)果普遍優(yōu)于基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法。在基于深度學(xué)習(xí)的方法中，C-LSTM模型的效果最優(yōu)，準(zhǔn)確率達(dá)到了91.7%，這是由于雙層網(wǎng)絡(luò)結(jié)構(gòu)有助于獲取更深層的特征信息，C-LSTM模型在雙層神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上將CNN提取局部特征的優(yōu)勢和LSTM提取全局特征的優(yōu)勢相結(jié)合，有利于全局特征的提取。與各基線模型相比，BBiGM模型在準(zhǔn)確率、精確率和F1值上都表現(xiàn)出最優(yōu)的結(jié)果，其中準(zhǔn)確率達(dá)到了95.8%，這是優(yōu)于單任務(wù)深度學(xué)習(xí)方法存在帶標(biāo)簽數(shù)據(jù)少的問題，而且單任務(wù)學(xué)習(xí)對現(xiàn)有數(shù)據(jù)的利用并不充分。BBiGM模型利用情感分析任務(wù)輔助謠言檢測，不僅隱形地增加了謠言檢測的數(shù)據(jù)集，還融入了情感特征。此外，BERT模型的深層網(wǎng)絡(luò)結(jié)構(gòu)有助于挖掘更多的多個任務(wù)之間的關(guān)聯(lián)特征，雙向的GRU結(jié)構(gòu)有助于獲取謠言檢測數(shù)據(jù)的全面特定。因此，本文提出的BBiGM模型比基線模型學(xué)習(xí)效果更佳。

3.7 輔助任務(wù)的數(shù)據(jù)量對主任務(wù)的影響

為了探究多任務(wù)學(xué)習(xí)中相關(guān)輔助任務(wù)的數(shù)據(jù)量對主任務(wù)的影響，本文用不同數(shù)據(jù)量的微博情感分析數(shù)據(jù)對模型進(jìn)行訓(xùn)練。按照有放回的采樣方法隨機(jī)抽取微博情感分析數(shù)據(jù)中的1萬條、2萬條……10萬條數(shù)據(jù)對模型進(jìn)行訓(xùn)練，每次訓(xùn)練都是從模型的原始狀態(tài)開始。觀察10組數(shù)據(jù)對微博謠言檢測任務(wù)學(xué)習(xí)效果的影響，選取準(zhǔn)確率作為參照指標(biāo)，實(shí)驗(yàn)對比結(jié)果如圖4所示。

圖4 準(zhǔn)確率與輔助任務(wù)數(shù)據(jù)量的關(guān)系Fig.4 Relationship between accuracy and auxiliary task data volume

圖4 表明，隨著輔助任務(wù)數(shù)據(jù)量的增長，主任務(wù)的準(zhǔn)確率也在提高。這是由于共享層采用BERT模型，包含12層的transfermer，在這種深層網(wǎng)絡(luò)結(jié)構(gòu)中，數(shù)據(jù)量是支撐模型獲取深層特征的重要因素，因此隨著輔助任務(wù)數(shù)據(jù)量的增加，共享層可以獲取越來越多的共同特征。同樣的，BiGRU作為模型中的任務(wù)特定層，更多的數(shù)據(jù)對于獲取謠言檢測任務(wù)中的深層特征也非常必要。但是，當(dāng)輔助任務(wù)的量增加到一定程度時，準(zhǔn)確率的增長速度趨于平緩，說明本文模型僅需一定量的帶標(biāo)簽輔助數(shù)據(jù)集就可以達(dá)到較好的學(xué)習(xí)效果。

4 總結(jié)及展望

本文所提出的基于多任務(wù)學(xué)習(xí)的微博謠言檢測方法，通過將微博謠言檢測任務(wù)和相關(guān)任務(wù)進(jìn)行聯(lián)合學(xué)習(xí)，有效利用了相關(guān)領(lǐng)域的數(shù)據(jù)，解決了深度學(xué)習(xí)中帶標(biāo)簽數(shù)據(jù)少的問題，提高了謠言檢測的效果。實(shí)驗(yàn)研究表明了基于多任務(wù)學(xué)習(xí)方法的可行性和有效性。本文方法的輔助任務(wù)需要與微博謠言檢測任務(wù)有較強(qiáng)的相關(guān)性，否則檢測效果不太理想。為實(shí)現(xiàn)對謠言的有效檢測，還需進(jìn)一步探究模型算法，以提高模型的泛化能力，減少模型對數(shù)據(jù)相關(guān)性的依賴。