author:魏静崎
2023年12月4日
研究方向：虚假信息检测

本周工作内容：

1、阅读论文Jamshidi B, Hakak S, Lu R. A Self-Attention Mechanism-Based Model for Early Detection of Fake News[J]. IEEE Transactions on Computational Social Systems, 2023.
文章针对新闻的早期检测，具体而言是4h。
在新闻的传播树中，每个新闻及其转发引用回复视为一个级联。
传播特征：
节点级特征：
基于用户：是否已验证（无效用户更容易传播虚假新闻）、粉丝量、关注量。
基于推文：用户内容撰写的差异，对假新闻和真实新闻的反应。
基于时间：用户注册时间，发布推文或转发时间。
累积特征：必须截断传播树分支，会丢失传播信息，为弥补将这些信息以累计特征的形提供给模型。
累计用户特征：包含参与新闻文章传播的所有用户信息。
累计文本特征：推文的语言和书写风格信息。
累计时间特征：代表了新闻的时间传播模式特性。
基于内容特征：从新闻内容中提取代表真假新闻的语言差异。

在截断传播网络过程中：若模型传播网络超过一百个级联，则选择最短的100个认为其更有价值（以往认为越长包含的信息越多）。
最终，生成的传播网络序列长为500，每个元素11个值，之后累计特征和基于内容的特征形成两个具有11个值的向量替换序列的最后两个元素，通常为无效元素。

自注意力分类器：
利用位置编码为每个元素的投影添加一个位置向量。因此，模型可以看到输入序列中存在的时间顺序。Transformer位置编码更改以便添加到每个级联节点的地址向量从头开始。
就其余节点而言，越具有信息性，这个机制（在有位置嵌入的输入序列发到编码层之前，生成一个掩码，使注意力机制不将注意力分配给值为-1的填充节点）分配的注意力越多。

实验使用了两个数据集，三个混合模型进行对比，效果优于绝大部分，三个基准模型使用了全部的传播网络。
![[1701698696427.png]]

下周研究内容：

赏

谢谢你请我吃糖果

支付宝

微信