薛海濤，王 莉*，楊延杰，廉 飚

（1.太原理工大學(xué)大數(shù)據(jù)學(xué)院，太原 030600；2.北方自動控制技術(shù)研究所，太原 030006）

（?通信作者電子郵箱wangli@tyut.edu.cn）

0 引言

社交媒體的即時性和便利性使得用戶可以便捷獲取信息并交流觀點(diǎn)，但也為謠言傳播提供了便利平臺。謠言傳播誤導(dǎo)公眾輿論，破壞社會安定，謠言檢測與監(jiān)管已經(jīng)成為一個迫切需要解決的社會問題。

謠言檢測的早期研究中，研究者一般通過手工構(gòu)造消息文本的特征，利用決策樹、隨機(jī)森林、支持向量機(jī)（Support Vector Machine，SVM）等機(jī)器學(xué)習(xí)的方法進(jìn)行分類［1-2］，以判別真假。這類工作依賴于特征工程，無法適應(yīng)社會媒體豐富多變的內(nèi)容表現(xiàn)以及不斷演化的特點(diǎn)，而且社交媒體上的消息篇幅普遍較短，其包含的語義特征有限，一定程度限制了算法模型性能。后來一些研究工作利用消息傳播過程［3-4］進(jìn)行謠言檢測，性能有所提升，但由于消息轉(zhuǎn)發(fā)中存在大量空轉(zhuǎn)發(fā)，這類基于轉(zhuǎn)發(fā)結(jié)構(gòu)及內(nèi)容的模型在實(shí)際場景中有很大的局限性。還有一些工作將用戶屬性引入，以用戶的權(quán)威度、可信度等作為判別所發(fā)布消息真?zhèn)蔚淖C據(jù)，但是由于當(dāng)前謠言更具迷惑性，一些權(quán)威用戶有時也會被蒙蔽而轉(zhuǎn)發(fā)謠言，所以，僅依靠用戶權(quán)威度評價是不夠的。

實(shí)際應(yīng)用中我們發(fā)現(xiàn)，雖然消息轉(zhuǎn)發(fā)中用戶有時會空轉(zhuǎn)發(fā)，但是傳播鏈中用戶的參與信息在一定程度上表達(dá)了對于所轉(zhuǎn)發(fā)消息的認(rèn)同，同時，用戶的粉絲數(shù)、發(fā)表推文數(shù)及關(guān)注數(shù)等屬性信息在一定程度上反映了用戶的權(quán)威度，因此，傳播鏈中的用戶屬性信息可以幫助判別謠言。同時，消息內(nèi)容對于檢測謠言也非常重要。鑒于以上觀察分析，本文提出了一種融合傳播鏈中的用戶屬性和消息內(nèi)容的謠言檢測模型GMB_GMU。

受上述工作啟發(fā)，本文使用用戶屬性、傳播結(jié)構(gòu)和消息內(nèi)容進(jìn)行謠言檢測。首先，構(gòu)建轉(zhuǎn)發(fā)圖，節(jié)點(diǎn)特征為用戶屬性，邊表示轉(zhuǎn)發(fā)關(guān)系。結(jié)合轉(zhuǎn)發(fā)圖，利用圖注意力網(wǎng)絡(luò)（Graph Attention neTwork，GAT）獲取增強(qiáng)的用戶屬性表征。在另一部分，使用node2vec算法獲取轉(zhuǎn)發(fā)圖用戶的結(jié)構(gòu)表征，而不依賴于節(jié)點(diǎn)屬性，借助互注意機(jī)制以得到增強(qiáng)的結(jié)構(gòu)表征。最后一部分使用源帖文本的BERT（Bidirectional Encoder Representations from Transformers）向量，取得增強(qiáng)的源帖內(nèi)容表征。將這三種角度的表征輸入到多模態(tài)門控單元（Gated Multimodal Unit，GMU）進(jìn)行選擇與融合，得到信息的最終表征。在公共數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，結(jié)果驗(yàn)證了本文模型的判別精度和泛化能力，并檢測了模型在謠言早期檢測任務(wù)上的表現(xiàn)性能。本文主要工作如下：

1）融合傳播鏈中的用戶屬性信息和消息內(nèi)容進(jìn)行謠言檢測，避免了信息傳播結(jié)構(gòu)計(jì)算中空轉(zhuǎn)發(fā)帶來的信息缺失問題。

2）引入GAT 生成用戶屬性表征，采用node2vec 得到結(jié)構(gòu)表征，采用互注意機(jī)制建立用戶結(jié)構(gòu)增強(qiáng)表征；同時基于BERT 建立源帖內(nèi)容表征，最終將用戶屬性表征、結(jié)構(gòu)表征和源帖內(nèi)容表征表征三者融合得到消息的最終表征，以支持謠言檢測。

3）在公共數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，驗(yàn)證了模型的性能，并通過早期檢測任務(wù)，驗(yàn)證了模型的有效性。

1 相關(guān)工作

目前的研究主要可分為基于內(nèi)容語義和基于傳播結(jié)構(gòu)的謠言檢測方法。

1.1 基于內(nèi)容語義的謠言檢測

隨著深度學(xué)習(xí)的發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）以及長短期記憶（Long Short-Term Memory，LSTM）網(wǎng)絡(luò)等被應(yīng)用到自然語言處理任務(wù)中進(jìn)行文本表征學(xué)習(xí)［5］，以挖掘文本語義。段大高等［6］提出了一種融合用戶屬性和帖子內(nèi)容特征的BP 神經(jīng)網(wǎng)絡(luò)模型，通過Word2Vec 算法進(jìn)行表征計(jì)算，然后輸入到神經(jīng)網(wǎng)絡(luò)模型中提取文本特征。劉政等［7］提出了基于CNN 的謠言檢測算法，使用句向量結(jié)合多層卷積網(wǎng)絡(luò)，能有效地捕捉到特定范圍的上下文語義信息。Mikolov 等［8］將雙向RNN 應(yīng)用到文本特征提取中，獲取到了前后語義之間的聯(lián)系。對于其他神經(jīng)網(wǎng)絡(luò)方法，雖然可以準(zhǔn)確地把握整體信息，但對于較長的文本，仍然存在上下文信息丟失的情況。

為了最大限度地捕捉到上下文信息，F(xiàn)ang 等［9］將注意力算法引入到謠言檢測工作中，取得了較好的檢測結(jié)果。Vaibhav 等［10］提出了一種基于圖神經(jīng)網(wǎng)絡(luò)的虛假新聞檢測模型，該模型對新聞中所有句子對之間的語義關(guān)系進(jìn)行建模，從而進(jìn)行謠言檢測。Wang 等［11］依賴文本內(nèi)容，提出了SemSeq4FD 模型來檢測虛假信息，該模型同時考慮了新聞中句子之間的全局語義關(guān)系和局部上下文順序特征。上述所有基于內(nèi)容語義的方法最大的局限性在于這些算法更適用于長文本處理，模型表現(xiàn)優(yōu)良的前提在于提供大量長文本進(jìn)行訓(xùn)練，但是，社交媒體上的帖子大多都是短文本，難免造成數(shù)據(jù)稀疏問題，從而影響了該類方法的檢測性能。

1.2 基于傳播結(jié)構(gòu)的謠言檢測

由于謠言涉及的領(lǐng)域繁雜，普遍存在學(xué)科交叉的現(xiàn)象，使得研究謠言傳播成為一個復(fù)雜的問題。在相關(guān)工作中，不僅涉及傳播的覆蓋范圍，還涉及傳播的速度。其中較常用的是傳染病模型和其變體模型，如SIS 模型和SIR 模型，每個傳播結(jié)構(gòu)中的用戶可被分為“感染者（S）”“被感染者（I）”以及“停止感染者（R）”狀態(tài)，由一傳多到多傳多，可以描述謠言的傳播模式。但由于信息傳播的時間等特點(diǎn)，傳染病相比信息傳播在衰退效應(yīng)、信息內(nèi)容和聯(lián)系強(qiáng)度等方面都有明顯的區(qū)別，不適用于謠言傳播。

當(dāng)前，研究者傾向于關(guān)注傳播網(wǎng)絡(luò)本身的拓?fù)浣Y(jié)構(gòu)，從而揭示其傳播特征和規(guī)律。Ma 等［4］提出了通過評估不同類型的傳播樹結(jié)構(gòu)的相似性來捕獲新聞事件的高階表征。Liu等［12］提取了信息傳播過程中傳播樹的寬度與深度等特征。Shu 等［13］利用社交媒體上的新聞分層傳播網(wǎng)絡(luò)進(jìn)行了假新聞檢測，從宏觀和微觀兩個層面建立了一個層次化的傳播網(wǎng)絡(luò)，并比較分析了傳播網(wǎng)絡(luò)的結(jié)構(gòu)特征和時間特征。Bian等［14］提出了一種使用雙向GCN 進(jìn)行謠言檢測的方法，該方法結(jié)合了謠言的序列傳播和橫向擴(kuò)散，捕捉到了傳播結(jié)構(gòu)的全局特征，獲得了較好的檢測結(jié)果。現(xiàn)有的基于傳播的方法使用消息傳播結(jié)構(gòu)信息，但是消息傳播中存在大量空轉(zhuǎn)發(fā)，導(dǎo)致消息中存在較多噪聲，影響模型性能。在另一方面，這些方法沒有充分使用源帖信息，在檢測性能方面受到了很大限制。

2 問題定義

給定新聞C，其中包含m個參與新聞傳播的用戶，如圖1所示，該新聞的用戶集合為U={u1，u2，u3，…，um}，其中u1為發(fā)布原始文本的用戶，u2，u3，…，um為參與轉(zhuǎn)發(fā)的用戶，包含一階轉(zhuǎn)發(fā)用戶、二階轉(zhuǎn)發(fā)用戶和更高階的轉(zhuǎn)發(fā)用戶，目標(biāo)為訓(xùn)練一個網(wǎng)絡(luò)f：(C，U) →y，將新聞C分類為謠言或非謠言。其中，標(biāo)簽值y∈{0，1}，0 表示非謠言，1 表示謠言。信息傳播一般表現(xiàn)為樹型轉(zhuǎn)發(fā)擴(kuò)散的模式。

圖1 信息傳播模式示意圖Fig.1 Schematic diagram of information propagation mode

3 謠言檢測模型GMB_GMU

本文提出的謠言檢測模型GMB_GMU 如圖2 所示，由四個部分組成：用戶信息編碼器、結(jié)構(gòu)信息編碼器、源文本編碼器和融合分類器，圖中FC為全連接神經(jīng)網(wǎng)絡(luò)層。

圖2 GMB_GMU模型Fig.2 GMB_GMU model

3.1 用戶信息編碼器

在實(shí)際場景下，用戶很多時候僅僅轉(zhuǎn)發(fā)原始內(nèi)容，而不發(fā)表意見，轉(zhuǎn)發(fā)內(nèi)容不適合作為節(jié)點(diǎn)的屬性特征。引入用戶屬性作為節(jié)點(diǎn)特征，可以在一定程度上彌補(bǔ)轉(zhuǎn)發(fā)結(jié)構(gòu)上信息的缺失。

首先構(gòu)建新聞C的有向轉(zhuǎn)發(fā)圖G=(V，E)，其中V={u1，u2，u3，…，um}表示新聞傳播中的全部用戶，E={e1，e2，e3，…，eo}表示用戶之間的轉(zhuǎn)發(fā)關(guān)系，定義H∈Rm×t為節(jié)點(diǎn)集V的特征矩陣，用戶節(jié)點(diǎn)ui的特征向量為hi∈Rt，t為屬性個數(shù)，包含用戶的粉絲數(shù)、發(fā)表推文數(shù)量和關(guān)注數(shù)等屬性信息。定義A∈Rm×m為鄰接矩陣，若用戶j轉(zhuǎn)發(fā)了用戶i的推文，鄰接矩陣A中元素aij=1；若無轉(zhuǎn)發(fā)關(guān)系，則aij=0。

由于用戶各項(xiàng)屬性量綱和變化范圍不同，所以往往對特征矩陣進(jìn)行歸一化，使得模型可以快速收斂。具體的，通過以下公式得到H歸一化后的特征矩陣Hs：

為了保留一定程度的原始信息，將Hs與Hs'對應(yīng)元素相加，得到用戶信息矩陣Hadd。

將Hadd鋪平，得到用戶信息的最終表征Vadd∈Rm×t，整個用戶信息編碼器如圖3所示。

圖3 用戶信息編碼器Fig.3 User information encoder

3.2 結(jié)構(gòu)信息編碼器

使用node2vec［16］算法可在不受節(jié)點(diǎn)屬性干擾的情況下獲取轉(zhuǎn)發(fā)圖結(jié)構(gòu)信息，將node2vec 得到的節(jié)點(diǎn)表征作為互注意機(jī)制的輸入，以增強(qiáng)結(jié)構(gòu)表征。

首先，使用node2vev算法得到轉(zhuǎn)發(fā)圖中各個節(jié)點(diǎn)的表征，其目標(biāo)函數(shù)為：

轉(zhuǎn)發(fā)圖中ui的node2vec表征為pi∈Rd，然后，計(jì)算用戶之間的相互注意分?jǐn)?shù)，類似于文獻(xiàn)［17］中的方法，如圖4 所示，使用全連接網(wǎng)絡(luò)得到兩兩用戶表征之間的注意力分?jǐn)?shù)：

圖4 結(jié)構(gòu)信息編碼器Fig.4 Structural information encoder

其中：權(quán)重矩陣Wcat∈R2d；偏置項(xiàng)bcat∈R；||為拼接操作，依次計(jì)算用戶之間的注意力分?jǐn)?shù)，得到相互注意分?jǐn)?shù)矩陣MA∈Rm×m，m為轉(zhuǎn)發(fā)網(wǎng)絡(luò)中的節(jié)點(diǎn)數(shù)。

使用softmax 函數(shù)和行最大池化對互注意分?jǐn)?shù)矩陣進(jìn)行運(yùn)算，得到節(jié)點(diǎn)的互注意分?jǐn)?shù)向量：

3.3 源文本編碼器

源文本包含豐富的信息，有助于增強(qiáng)模型表現(xiàn)。為了最大限度提取文本上下文信息，引入BERT［18］算法獲取源文本表征，該算法通過雙向Transformer編碼器［19］生成的字向量，可以完全融合字詞左右上下文信息，與CNN或RNN相比，BERT可以更加充分地表征詞語的多重含義，由圖5所示，BERT生成的詞向量由字符向量、句向量和位置向量組成。輸入為新聞C，輸出源文本表征Xoutput∈Rr，代表源文本的全部語義信息。

圖5 BERT模型的輸入表征Fig.5 Input representation of BERT model

3.4 融合分類器

以上三部分計(jì)算得到的三個表征分別表示傳播模式中的用戶屬性、結(jié)構(gòu)信息和源帖內(nèi)容信息，要對這三個表征進(jìn)行融合，使得最終表征可以最大限度地捕捉到謠言傳播的多方面特征。此處通過多模態(tài)門控單元［20］對上述三個表征進(jìn)行融合，在不同來源數(shù)據(jù)組合基礎(chǔ)上找到最優(yōu)表示。

由于用戶屬性表征Vadd∈Rm×t，結(jié)構(gòu)表征以及源帖內(nèi)容表征Xoutput∈Rr的維度不同，首先定義對應(yīng)權(quán)重矩陣，將三個不同維度的表征投影到目標(biāo)維度g，其過程為：

h1，h2和h3的維度都為g，將三個表征拼接起來：

則h∈R3g為模型的最終表征，將該向量輸入到全連接網(wǎng)絡(luò)（FC）和分類函數(shù)中，得到最終分類結(jié)果。

3.5 優(yōu)化器

在本文中，模型訓(xùn)練目標(biāo)為最小化交叉熵?fù)p失函數(shù)。

其中：L為損失函數(shù)，NS為新聞集合，yC為新聞C的真實(shí)標(biāo)簽，為新聞C的預(yù)測標(biāo)簽。

4 實(shí)驗(yàn)與分析

為了評估本文模型在真實(shí)社交場景下的檢測性能，在真實(shí)世界的數(shù)據(jù)集進(jìn)行對比實(shí)驗(yàn)。

4.1 實(shí)驗(yàn)數(shù)據(jù)

Weibo 數(shù)據(jù)集［21］來源于新浪微博。在該數(shù)據(jù)集中，由帖子、轉(zhuǎn)發(fā)和用戶構(gòu)成，有兩個標(biāo)簽：｛謠言，非謠言｝，具體介紹如表1所示。

表1 實(shí)驗(yàn)數(shù)據(jù)集統(tǒng)計(jì)Tab.1 Experimental dataset statistics

4.2 實(shí)驗(yàn)設(shè)計(jì)

在實(shí)驗(yàn)中，使用5 折交叉驗(yàn)證。其中node2vec 訓(xùn)練的節(jié)點(diǎn)表征維數(shù)d=256，BERT訓(xùn)練的文本信息表征維數(shù)r=768，將三種信息表征投影到目標(biāo)維度g=256。

為了減少模型的運(yùn)算量，截取了前200 名傳播用戶，以此構(gòu)建轉(zhuǎn)發(fā)圖。若傳播網(wǎng)絡(luò)中用戶數(shù)不足200，則根據(jù)實(shí)際狀況構(gòu)建轉(zhuǎn)發(fā)圖，用戶信息最終表征Vadd維數(shù)固定為1 800，若不足，則填充0值。在實(shí)驗(yàn)中，epoch設(shè)置為60，batch size 設(shè)置為128，學(xué)習(xí)率為0.000 1。

在用戶信息編碼器部分，使用用戶常見的9 個特征作為轉(zhuǎn)發(fā)圖節(jié)點(diǎn)的特征，t=9，如表2所示。

表2 節(jié)點(diǎn)特征Tab.2 Node features

在用戶信息編碼器部分，所提出方法具備用戶排序不變性，即用戶信息編碼器的輸出與用戶排列順序無關(guān)。圖注意力網(wǎng)絡(luò)GAT 作為圖神經(jīng)網(wǎng)絡(luò)算法，節(jié)點(diǎn)表征更新依賴鄰接矩陣，滿足平移不變性，與節(jié)點(diǎn)的順序無關(guān)。將用戶信息矩陣Hadd鋪平后得到Vadd，目的是能夠進(jìn)入全連接層，填充0 值的作用是補(bǔ)齊向量，使得進(jìn)入全連接層時規(guī)格統(tǒng)一。即使鋪平順序發(fā)生變化，全連接層可以靈活地更新權(quán)重矩陣，用戶鋪平順序?qū)ψ罱K結(jié)果不會造成影響。綜上所述，將Hadd平鋪不會對用戶排序不變性造成影響。

4.3 對比方法

為了驗(yàn)證本文模型的優(yōu)越性，與以下6個模型進(jìn)行比較：

1）DTC（Decision-Tree Classifier）［1］：該模型使用文本的手工特征和其他統(tǒng)計(jì)特征，利用決策樹模型來得到檢測結(jié)果。

2）SVM-RBF（SVM classifier with RBF kernel function）［22］：該模型使用基于徑向基核函數(shù)（Radial Basis Function，RBF）的SVM模型得到新聞的預(yù)測標(biāo)簽。

3）TD-RvNN（Tree-structured Recursive Neural Network）［4］：該模型使用遞歸神經(jīng)網(wǎng)絡(luò)處理樹結(jié)構(gòu)的新聞傳播路徑得到分類結(jié)果。

4）PPC-RNN+CNN（Propagation Path Classification with RNN and CNN）［3］：模型提出了新聞傳播的多元時間序列，使用GRU和CNN的結(jié)合模型進(jìn)行分類。

5）HiMap-HO+Text（Higher-order user to user Mutual-Attention Progression method）［17］：作者使用LSTM 計(jì)算轉(zhuǎn)發(fā)鏈的節(jié)點(diǎn)表征，并結(jié)合用戶的互注意表征得到新聞的檢測結(jié)果。

6）BiGCN（Bi-directional GCN）［14］：利用信息傳播時的雙向傳播結(jié)構(gòu)使用圖卷積網(wǎng)絡(luò)進(jìn)行謠言檢測的模型。

4.4 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)結(jié)果如表3 所示，顯示了本文模型和比較模型在Weibo 數(shù)據(jù)集上的表現(xiàn)。首先，深度學(xué)習(xí)算法的表現(xiàn)遠(yuǎn)超機(jī)器學(xué)習(xí)算法，表明深度學(xué)習(xí)算法學(xué)習(xí)到的表征優(yōu)于人工選擇的謠言特征；其次，GMB_GMU 模型在各性能指標(biāo)上明顯優(yōu)于TD-RvNN 方法，因?yàn)門D-RvNN 節(jié)點(diǎn)特征為轉(zhuǎn)發(fā)文本，但真實(shí)場景下存在很多空轉(zhuǎn)發(fā)，而本文模型選擇使用用戶屬性作為節(jié)點(diǎn)特征，彌補(bǔ)了轉(zhuǎn)發(fā)結(jié)構(gòu)上信息的缺失。最后，GMB_GMU模型優(yōu)于HiMap-HO+Text，在HiMap-HO+Text 中，使用轉(zhuǎn)發(fā)鏈計(jì)算節(jié)點(diǎn)二到四階的相互注意力，數(shù)據(jù)收集和處理有極大的難度，而本文模型僅使用轉(zhuǎn)發(fā)圖中的一階用戶相互注意力表征，實(shí)驗(yàn)表現(xiàn)遠(yuǎn)超HiMap-HO+Text。

表3 Weibo數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果Tab.3 Experimental results on Weibo dataset

4.5 早期檢測實(shí)驗(yàn)

為了在謠言傳播的早期檢測到謠言，及時遏制其傳播，分別測試了模型在5 min、10 min 等時間點(diǎn)的謠言檢測表現(xiàn)，其實(shí)驗(yàn)結(jié)果如圖6所示。

圖6 早期檢測實(shí)驗(yàn)結(jié)果Fig.6 Experimental results of early detection

在源帖發(fā)布的5 min 內(nèi)，GMB_GMU 模型的準(zhǔn)確率超過0.9，表現(xiàn)優(yōu)于其他比較模型，表明僅存在較少用戶信息時，GMB_GMU 仍能保持較為準(zhǔn)確的早期檢測能力。當(dāng)傳播時間增大，轉(zhuǎn)發(fā)結(jié)構(gòu)逐漸復(fù)雜，信息噪聲增多時，不同于BiGCN 等比較模型，GMB_GMU 模型性能呈穩(wěn)定上升趨勢，體現(xiàn)了模型處理復(fù)雜數(shù)據(jù)的能力，具有較好的穩(wěn)定性和魯棒性。

4.6 消融實(shí)驗(yàn)

為了驗(yàn)證模型中各部分的作用，將模型可拆分為以下子模型：1）用戶屬性GAT；2）源帖BERT 網(wǎng)絡(luò)；3）GMB 網(wǎng)絡(luò)，即基于用戶屬性GAT-互注意機(jī)制-BERT 的簡單融合網(wǎng)絡(luò)；4）互注意機(jī)制。實(shí)驗(yàn)結(jié)果如圖7所示。

圖7 GMB_GMU的消融實(shí)驗(yàn)結(jié)果Fig.7 Ablation experimental results of GMB_GMU

用戶屬性GAT 可以取得0.865 的準(zhǔn)確率，結(jié)果遠(yuǎn)低于GMB_GMU，表明僅使用用戶屬性，不考慮內(nèi)容語義信息，會嚴(yán)重影響謠言檢測效果。使用源帖BERT 網(wǎng)絡(luò)取得了0.914的準(zhǔn)確率，結(jié)果仍低于GMB_GMU，僅僅依靠源帖語義信息來檢測謠言存在一定的問題。最后，基于用戶屬性GAT-互注意機(jī)制-BERT的簡單融合網(wǎng)絡(luò)將GMU替換為簡單拼接方式，達(dá)到0.937 的準(zhǔn)確率，說明門控多模態(tài)單元可以對多個模態(tài)信息進(jìn)行選擇組合，更好地表征聯(lián)合信息。

5 結(jié)語

本文提出了一種基于用戶傳播網(wǎng)絡(luò)與消息內(nèi)容融合的謠言檢測模型GMB_GMU，引入GAT 增強(qiáng)用戶屬性表征。在轉(zhuǎn)發(fā)圖的基礎(chǔ)上計(jì)算節(jié)點(diǎn)的node2vec 表征，并通過互注意機(jī)制增強(qiáng)結(jié)構(gòu)信息；另外，引入源帖文本的BERT 向量，增強(qiáng)源帖信息。最后，使用GMU 門控網(wǎng)絡(luò)將三種角度的謠言表征恰當(dāng)?shù)亟Y(jié)合起來，提取到消息的最終表征，在公共數(shù)據(jù)集上取得了優(yōu)異的實(shí)驗(yàn)結(jié)果，并通過早期檢測和消融實(shí)驗(yàn)說明了模型在謠言早期傳播的有效性和每個部分的重要程度。在謠言的傳播過程中，一些有影響力的用戶會導(dǎo)致謠言擴(kuò)散呈指數(shù)級增長，加重了謠言負(fù)面影響。在未來工作中，通過發(fā)現(xiàn)這些有影響力的用戶，進(jìn)而提升謠言檢測模型的性能。