基于边增强一致性与半监督学习的谣言检测研究

针对现有的谣言检测方法对故意伪造的突发事件检测表现不佳的现象,同时考虑到现实中突发事件的标记数据难以获得,从而导致现有的监督学习方法性能受限,提出基于边增强一致性与半监督学习的谣言检测方法(EECS)。首先通过边增强方法提高数据质量,然后分离出高一致性特征与低一致性特征来深入挖掘内联关系,使用双通道图卷积网络捕获特征,依据半监督学习方法有效利用大量无标记数据增强模型的泛化性,最后采用加权的有监督交叉熵损失和无监督一致性损失优化模型。实验结果表明,在公开的Twitter15、Twitter16和Weibo数据集上,所提出的模型在30%标记样本下准确率达到87.8%、89.5%和95.0%,使用少量标记样本便可达到优异的成绩。