ClaHi-GAT 谣言检测《Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks》 _生活百科

论文信息

论文标题：Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks论文作者：Erxue Min, Yu Rong, Yatao Bian, Tingyang Xu, Peilin Zhao, Junzhou Huang,Sophia Ananiadou论文来源：2021,EMNLP 论文地址：download 论文代码：download

Background传播结构为谣言的真假提供了有用的线索，但是现有的谣言检测方法要么局限于用户相应关系，要么简化了对话结构。
本文说的 Claim 代表的是 Source post，即源帖。
1 Introduction如下为一个简单的 conversation thread 例子：

ClaHi-GAT 谣言检测《Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks》

文章插图
本文提出的点：考虑兄弟之间的关系，如下图虚线部分。

文章插图
2 Claim-guided Hierarchical Graph Attention Networks总体框架如下：

文章插图
本文的模型包括两个注意力模块：

A Graph Attention to capture the importance of different neighboring tweets
A claim-guided hierarchical attention to enhance post content understanding

2.1 Claim-guided Hierarchical Attention对于每个 tweet $x_i$ ，首先使用 Bi-LSTM 获得 Post 的特征矩阵 $X=\left[c, x_{1}, x_{2}, \cdots, x_{|\mathcal{V}|-1}\right]^{\top}$ ，其中 $c, x_{i} \in \mathbb{R}^{d}$ 。
为加强模型的主题一致性和语义推理：
Post-level Attention
为了防止主题偏离和丢失 claim 的信息，本文采用 gate module 决定它应该接受 claim 多少信息，以更好地指导相关职位的重要性分配。claim-aware representation 具体如下：
$\begin{array}{l}g_{c \rightarrow x_{i}}^{(l)} &=&\operatorname{sigmoid}\left(W_{g}^{(l)} h_{x_{i}}^{(l)}+U_{g}^{(l)} h_{c}^{(l)}\right) \\\tilde{h}_{x_{i}}^{(l)} &=&g_{c \rightarrow x_{i}}^{(l)} \odot h_{x_{i}}^{(l)}+\left(1-g_{c \rightarrow x_{i}}^{(l)}\right) \odot h_{c}^{(l)}\end{array}$
其中，$g_{c \rightarrow x_{i}}^{(l)}$ 是一个 gate vector，$W_{g}^{(l)}$ 和 $U_{g}^{(l)}$ 是可学习参数。
然后，将 claim-aware representation 与 original representation 拼接起来，作为 $\text{Eq.1}$ 的输入去计算注意力权重：$\begin{array}{l}\hat{h}_{x_{i}}^{(l)}=\left[\tilde{h}_{x_{i}}^{(l)} \| h_{x_{i}}^{(l)}\right] \\\hat{\alpha}_{i, j}^{(l)}=\operatorname{Atten}\left(\hat{h}_{x_{i}}^{(l)}, \hat{h}_{x_{j}}^{(l)}\right)\end{array}$
2.2 Graph Attention Networks为了编码结构信息，本文使用 GAT encoder：输入：$H^{(l)}=\left[h_{c}^{(l)}, h_{x_{1}}^{(l)}, h_{x_{2}}^{(l)}, \ldots, h_{x_{|\mathcal{V}|-1}}^{(l)}\right]^{\top}$过程：${\large \begin{aligned}\alpha_{i, j}^{(l)} &=\operatorname{Atten}\left(h_{x_{i}}^{(l)}, h_{x_{j}}^{(l)}\right) \\&=\frac{\exp \left(\phi\left(a^{\top}\left[W^{(l)} h_{x_{i}}^{(l)} \| W^{(l)} h_{x_{j}}^{(l)}\right]\right)\right)}{\sum_{j \in \mathcal{N}_{i}} \exp \left(\phi\left(a^{\top}\left[W^{(l)} h_{x_{i}}^{(l)} \| W^{(l)} h_{x_{j}}^{(l)}\right]\right)\right)}\end{aligned}} $
$h_{x_{i}}^{(l+1)}=\operatorname{Re} L U\left(\sum\limits_{j \in \mathcal{N}_{i}} \alpha_{i, j}^{(l)} W^{(l)} h_{x_{j}}^{(l)}\right)$
考虑多头注意力：
$h_{x_{i}}^{(l+1)}=\|_{k=1}^{K} \operatorname{ReLU}\left(\sum\limits _{j \in \mathcal{N}_{i}} \alpha_{i, j}^{(l, k)} W_{k}^{(l)} h_{x_{j}}^{(l)}\right)$
替换输出层的表示向量：
${\large h_{x_{i}}^{(L)}=\operatorname{Re} L U\left(\frac{1}{K} \sum\limits _{k=1}^{K} \sum\limits_{j \in \mathcal{N}_{i}} \alpha_{i, j}^{\left(l^{\prime}, k\right)} W_{k}^{\left(l^{\prime}\right)} h_{x_{j}}^{\left(l^{\prime}\right)}\right)} $
输出：图表示
$\bar{s}=\text { mean-pooling }\left(H^{(L)}\right)$
Event-level Attention
出发点：获得图表示的时候采用的平均池化并不是一定有意义的，可能存在某些节点对于图分类来说更准确。
受到 Natural Language Inference (NLI) 的影响，本文考虑对 GAT 最后一层的 $h_{c}^{(L)}$ 和 $\left.h_{x_{i}}^{(L)}: 1\right)$ 做如下处理：
1）concatenation $\left[h_{c}^{(L)} \| h_{x_{i}}^{(L)}\right]$
2）element-wise product $h_{\text {prod }}^{(L)}=h_{c}^{(L)} \odot h_{x_{i}}^{(L)}$
3）absolute element-wise difference $h_{\text {diff }}^{(L)}=\left|h_{c}^{(L)}-h_{x_{i}}^{(L)}\right|$
接着获得一个联合表示：
$h_{x_{i}}^{c}=\tanh \left(F C\left(\left[h_{c}^{(L)}\left\|h_{x_{i}}^{(L)}\right\| h_{\text {prod }}^{(L)} \| h_{\text {diff }}^{(L)}\right]\right)\right)$
通过使用该联合表示计算 Event-level Attention ：