Rumor Deteksi Dengan Pemanfaatan Informasi Kredibilitas Pengguna,

Perhatian dan Multi-tugas Pembelajaran

Quanzhi Li, Qiong Zhang, Luo Si

Alibaba Group, AS

Bellevue, WA, USA

{Quanzhi.li, qz.zhang, luo.si}@alibaba-inc.com

Abstrak definisi untuk deteksi rumor. Dalam beberapa penelitian, deteksi rumor
didefinisikan sebagai menentukan apakah sebuah cerita atau posting
Dalam studi ini, kami mengusulkan pendekatan
secara online adalah rumor atau non-rumor (yaitu kisah nyata, sebuah
pembelajaran multi-tugas baru untuk tugas-tugas deteksi
artikel berita), dan tugas menentukan kebenaran yang dari rumor ( benar
rumor dan klasifikasi sikap. model jaringan saraf ini
salah
memiliki lapisan bersama dan dua lapisan tugas tertentu.
atau tidak diverifikasi) didefinisikan sebagai verifikasi rumor ( Zubiaga
Kami menggabungkan informasi kredibilitas pengguna
ke dalam lapisan deteksi rumor, dan kami juga
et al., 2016 ; Kochkina et al., 2018 ). Namun dalam tulisan ini, serta

menerapkan mekanisme perhatian dalam deteksi rumor
proses. Itu dihadiri
Informasi meliputi tidak hanya negara-negara yang
tersembunyi di lapisan deteksi rumor, tetapi juga
negara-negara tersembunyi dari lapisan deteksi sikap.
Percobaan pada dua dataset menunjukkan bahwa
kami Model yang diusulkan
melebihi negara-of-the-art deteksi rumor pendekatan.
1 pengantar
platform media sosial, seperti Twitter, Reddit dan Facebook, tidak
selalu menimbulkan informasi yang otentik. Rumor kadang-kadang
dapat menyebar dengan cepat di atas platform ini, dan mereka
biasanya menyebar rasa takut atau benci. Oleh karena itu, deteksi
rumor dan verifikasi telah memperoleh besar
bunga
baru saja. platform media sosial dan otoritas pemerintah juga
mengambil upaya-upaya besar untuk mengalahkan dampak
negatif dari rumor.
Rumor Deteksi: Definisi Rumor bervariasi dari publikasi yang
berbeda. Kurangnya konsistensi membuat sulit untuk melakukan
perbandingan head-tohead antara metode yang ada. Dalam tulisan
ini, desas-desus didefinisikan sebagai pernyataan yang
kebenarannya nilai adalah benar, belum diverifikasi atau
Salah
memiliki beberapa cabang. Untuk setiap pesan m saya, memiliki
( Qazvinian et al., 2011 ). Ketika nilai kebenaran rumor adalah Salah, beberapa
penelitian menyebutnya “ desas-desus palsu” atau “Berita palsu”. Namun, atribut yang mewakili isinya, seperti teks dan gambar. Setiap
banyak studi sebelumnya memberikan “ berita palsu ”A ketat definisi:
berita palsu adalah sebuah artikel berita yang diterbitkan oleh outlet
berita
yang sengaja dan
diverifikasi palsu ( Shu et al., 2017 ; Zubiaga et al., 2018 ). Fokus
dari penelitian ini adalah rumor di media sosial, berita tidak
palsu. Ada juga yang berbeda
di banyak penelitian sebelumnya ( Ma et al., 2016 ; Shu et al, 2017 ),
deteksi rumor didefinisikan sebagai menentukan nilai kebenaran
rumor. Ini berarti itu adalah sama dengan
verifikasi rumor didefinisikan dalam beberapa penelitian lain.
deteksi rumor dan verifikasi rumor akan digunakan secara
bergantian dalam makalah ini.
Zubiaga et al. ( 2018a ) Menganggap rumor
proses penyelesaian sebagai pipa yang melibatkan empat
sub-tugas: (1) identifikasi rumor, menentukan apakah klaim
bernilai memverifikasi daripada ekspresi pendapat, yaitu
memeriksa klaim adalah rumor atau non-rumor; (2) pelacakan
rumor, mengumpulkan opini yang objektif tentang rumor
seperti yang diungkapkan; (3) klasifikasi sikap, menentukan
sikap pengguna terhadap kebenaran rumor, dan (4) verifikasi
rumor, langkah utama dimana nilai kebenaran rumor tersebut
diperkirakan. Penelitian ini melibatkan
yang terakhir dua tugas: sikap
klasifikasi (deteksi) dan verifikasi rumor (yaitu deteksi
rumor). Dan makalah ini terutama berfokus pada langkah
terakhir, deteksi rumor.
Pernyataan masalah: Sekarang kita secara formal mendefinisikan
masalah deteksi rumor: Sebuah cerita x didefinisikan sebagai satu set n potongan
pesan terkait
M = {m 1, m 2, ..., m n}. m 1 adalah sumber pesan (posting) yang
diprakarsai rantai pesan, yang bisa menjadi struktur pohon
pesan juga berhubungan dengan pengguna yang diposting.
Pengguna juga memiliki satu set atribut, termasuk nama,
deskripsi, gambar avatar, posting terakhir, dll Tugas deteksi
rumor tersebut kemudian didefinisikan sebagai berikut:
Mengingat cerita x dengan set pesannya M dan set pengguna U,
rumor

1173

Prosiding Pertemuan Tahunan ke-57 Asosiasi untuk Komputasi Linguistik, halaman 1173-1179
Florence, Italia 28 Juli-Agustus 2 2019. c © 2019 Asosiasi untuk Komputasi Linguistik
deteksi tugas bertujuan untuk menentukan apakah cerita ini benar salah atau
tidak diverifikasi ( atau hanya benar atau
Salah untuk dataset memiliki hanya dua label). Definisi ini
merumuskan tugas deteksi rumor sebagai tugas klasifikasi
kebenaran. Definisi ini sama dengan definisi yang digunakan
dalam banyak penelitian sebelumnya ( Shu et al, 2017 ; Ma et
al., 2016 ). Ada
empat kategori sikap:
pendukung ( S), menyangkal ( D), query ( Q) dan
komentar ( C), yaitu SDQC. Kebenaran rumor memiliki tiga
nilai: benar salah, atau tidak diverifikasi.
Untuk kedua deteksi sikap dan deteksi rumor, pendekatan
tradisional digunakan algoritma pembelajaran terawasi
menggabungkan berbagai fitur yang dihasilkan dari isi posting,
profil pengguna, dan pola difusi ( Castillo et al., 2011 ; Kwon et
al., 2013 ; Liu et al., 2015 ; Ma et al., 2015 ; Zhao et al., 2015 ).
Studi terbaru menunjukkan bahwa berurutan pendekatan
sensitif terhadap waktu memiliki manfaat kedua tugas deteksi
dan deteksi sikap rumor ( Ma et al., 2016 ; Kwon et al., 2017 ; Ma
et al., 2017 ; Ma et al., 2018a ; Kochkina et al., 2018 ). Dalam
studi ini, kami juga menggunakan pendekatan klasifikasi
berurutan pada dua tugas tersebut. Sebuah rumor terdiri dari
pasca sumber yang membuat klaim, dan satu set balasan,
langsung atau tidak langsung terhadap sumber posting. set ini
posting mungkin memiliki beberapa cabang percakapan.
Model kami mengeksploitasi informasi struktural percakapan
ini.
Multi-tugas belajar ( Caruana, 1998 ; Liu et al., 2016 ) Telah
diterapkan di banyak tugas NLP. Dalam studi ini, kita menggunakan
Panjang-Short Term Memory (LSTM) lapisan bersama untuk belajar
satu set umum fitur yang relevan untuk kedua tugas, sementara tugas
masing-masing juga dapat mempelajari fitur-fitur spesifik tugas mereka
melalui lapisan khusus mereka.
Dibandingkan dengan sebelumnya
studi ( Ma et al., 2018 ; Kochkina et al., 2018 ) Yang juga
menggunakan pembelajaran multi-task untuk deteksi sikap
dan verifikasi rumor, utama
perbedaan antara kita dan mereka adalah: 1. Kami menggabungkan
fitur yang menggambarkan pengguna informasi kredibilitas ke dalam
lapisan deteksi rumor. Informasi kredibilitas pengguna, yang berasal
dari profil pengguna dalam penelitian ini, adalah penting dalam
tugas deteksi rumor, seperti yang sudah terbukti di Liu et al. ( 2015 )
Dan Castillo et al. ( 2011 ). Tapi studi terbaru menggunakan
klasifikasi berurutan belum membuat penggunaan itu. Untuk
pengetahuan kita, ini adalah pertama
belajar bahwa menggabungkan
Informasi kredibilitas / profil di jaringan saraf untuk
klasifikasi berurutan. 2. Kami menerapkan
Mekanisme perhatian dalam proses deteksi rumor. Dan
perhatian tidak hanya mencakup
negara tersembunyi di lapisan deteksi rumor, tetapi juga
negara-negara yang tersembunyi dari lapisan deteksi sikap. Dalam
cabang percakapan, beberapa posting, terutama yang dengan sikap
yang kuat, akan lebih penting daripada yang lain dalam menentukan
kebenaran rumor. Tidak ada penelitian sebelumnya telah
dieksploitasi ini pada deteksi rumor.
Meskipun deteksi sikap termasuk dalam jaringan
pembelajaran multi-tugas, dalam penelitian ini, kita fokus
pada tugas utama, deteksi rumor, sehingga percobaan
dilakukan untuk mengevaluasi kinerja
dari isu deteksi. Kami
Percobaan menunjukkan bahwa pendekatan kami melebihi
negara-of-the-art metode.
2 Studi terkait
Banyak algoritma yang ada ( Liu et al., 2015 ; Wu et al., 2015 ; Yang
et al., 2012 ) Untuk membongkar rumor mengikuti karya Castillo
et al. ( 2011 ). Mereka mempelajari kredibilitas informasi dan
berbagai fitur. klasifikasi sikap juga merupakan daerah
penelitian aktif yang telah dipelajari dalam pekerjaan
sebelumnya ( Ranade et al., 2013 ; Chuang dan Hsieh, 2015 ; Lukasik
et al., 2016 ; Zubiaga et al., 2016 ;
Kochkina et al., 2017 ).
Beberapa Studi memiliki saraf dipekerjakan
jaringan verifikasi rumor ( Ma et al., 2016 ;
Kochkina et al., 2017 ; Ma et al., 2017 ), Dan mereka
terutama berfokus pada analisis struktur propagasi
informasi. pembelajaran multi-tugas telah digunakan dalam
berbagai tugas NLP, termasuk verifikasi rumor ( Collobert et
al., 2011 ; Aguilar et al., 2017 ; Lan et al., 2017 ; Ma et al.,
2018a ;
Kochkina et al., 2018 ). Kochkina et al. ( 2018 )
Mengusulkan metode multi-tugas tanpa tugas
lapisan khusus untuk verifikasi rumor. MT-ES adalah pendekatan
multi-task menggunakan Gated berulang Unit (GRU) ( Cho et al., 2014 )
Dengan lapisan tugas tertentu untuk setiap tugas ( Ma et al., 2018a ).
MT-ES tidak memiliki mekanisme perhatian, dan tidak menggunakan
informasi pengguna. Ma et al. ( 2018b ) Mengusulkan model
berdasarkan
Pohon-terstruktur saraf rekursif
jaringan.
3 Model yang Diusulkan
3.1 Multi-tugas Struktur Jaringan
pemakai Gambar 1 menyajikan struktur tingkat tinggi dari pendekatan
pembelajaran multi-tugas kita yang diusulkan. Lapisan tengah adalah
lapisan bersama, bersama dengan dua tugas. lapisan ini
adalah untuk mengekstrak umum
pola antara dua tugas ini, melalui bersama
1174
parameter. Lapisan atas adalah untuk deteksi sikap, dan
lapisan bawah adalah untuk rumor
Gambar 1. Struktur tingkat tinggi dari pendekatan kami yang diusulkan. Lapisan LSTM bersama adalah di tengah (dalam merah
dot-line persegi panjang). Lapisan atas adalah lapisan khusus deteksi sikap, dan lapisan bawah adalah untuk rumor
tugas verifikasi.
fitur khusus. Dalam gambar ini, kita asumsikan tulisan yang
tweets, dan akan menggunakan tweet sebagai contoh dalam
bagian berikut. Input ke dua lapisan tugas tertentu adalah klaim
(rumor, benang) cabang. Ambil jalan propagasi rumor pada
Gambar 2 sebagai contoh, rumor ini memiliki empat cabang, dan
setiap cabang memiliki urutan input [ x 1, x 2, ..., x n], dimasukkan ke
dalam dua lapisan tugas tertentu. x 1 adalah tweet sumber
(posting), dan x n adalah tweet terakhir di cabang.
Tweet Embedding (TE): Kita menghasilkan tweet
embedding melalui jaringan LSTM berbasis perhatian-.
The embeddings kata dibangun
dari 200 juta tweet menggunakan model
word2vec ( Mikolov et al., 2013 ; Li et al., 2017 ).
Gambar 2: Contoh propagasi rumor. Ada
empat cabang di rumor ini.
3.2 The Sikap Deteksi Lapisan
Seperti ditunjukkan dalam Gambar 1, lapisan deteksi sikap
menggunakan model LSTM standar. input x saya adalah
1175
deteksi. Ini dua lapisan akan menangkap
tugas
gabungan dari dua jenis fitur: tweet embedding (TE) dan fitur
menciak embedding (FE). FE yang dihasilkan menggunakan
daftar yang sama dari fitur yang dijelaskan dalam ( Kochkina
et al., 2017 ). Beberapa contoh fitur FE puas panjang,
kehadiran URL, dan jika itu adalah tweet sumber atau tidak.
Pada setiap langkah waktu saya, negara disembunyikan h si diumpankan
ke lapisan tersembunyi sepenuhnya terhubung, dan lapisan Softmax
digunakan untuk memprediksi jenis sikap (misalnya S,
D, Q, C). Negara-negara yang tersembunyi juga digunakan dalam
perhatian langkah tugas verifikasi rumor.
3.3 The Rumor Verifikasi Lapisan
Semakin rendah lapisan Gambar 1 menunjukkan struktur dari
proses verifikasi rumor. Pada setiap langkah, input x saya diwakili
oleh dua vektor, menciak embedding
(TE) dan user informasi
embedding (UE). UE adalah untuk mewakili informasi
kredibilitas pengguna.
Kredibilitas pengguna Informasi: Banyak
penelitian sebelumnya telah menunjukkan bahwa informasi kredibilitas
pengguna sangat penting di rumor
verifikasi ( Li et al., 2016 ; Liu et al., 2015 ). Hal ini terutama
terjadi ketika rumor tersebut dibantah atau didukung oleh
pengguna yang kredibel, seperti pengguna diverifikasi, agen
berita, agen pemerintah, atau profesional di bidang topik
rumor. Tapi studi terbaru menggunakan klasifikasi berurutan
dan
jaringan saraf belum membuat penggunaan informasi ini.
Kita mengadakan hipotesa bahwa
Informasi akan meningkatkan kinerja verifikasi rumor. Dalam
studi ini, kita memperoleh informasi kredibilitas dari profil
pengguna. Kami menggunakan fitur yang dijelaskan dalam ( Liu
et al., 2015 ) Untuk memperoleh informasi ini. Beberapa
contoh fitur yang: diverifikasi account, jika profil meliputi
lokasi, jika profil memiliki deskripsi, dll informasi ini diproses
dan digabungkan bersama-sama sebagai embedding UE, dan
kemudian UE concatenated dengan TE sebagai masukan.
berbasis perhatian LSTM: Dalam cabang percakapan, tulisan
yang berbeda akan memiliki dampak yang berbeda pada kebenaran
rumor. Misalnya, tweets dengan kuat dukung atau menyangkal sikap
harus memiliki dampak yang lebih untuk memprediksi rumor
kebenaran. Dalam rangka untuk lebih mengeksploitasi informasi
sikap, kita secara eksplisit termasuk negara-negara yang tersembunyi
dari lapisan sikap dalam perhitungan perhatian. Selain tweet dengan
sikap yang kuat, kita juga harus lebih memperhatikan para pengguna
kredibel. Hal ini dapat dilakukan melalui perhatian pada lapisan
rumor-spesifik, karena telah dikodekan informasi kredibilitas
pengguna melalui UE embedding. Oleh karena itu, kami
menggunakan LSTM berbasis perhatian-untuk memberikan perhatian
lebih pada tweet penting. Pada setiap langkah saya, negara
tersembunyi dari lapisan atas dan negara dari lapisan bawah
benar-benar concatenated dan dihadiri bersama-sama. Dengan kata
lain, mereka menggunakan berat perhatian yang sama, • saya.
Vektor dalam urutan h ri dan h si dimasukkan ke fungsi dipelajari ah ri, h
Si) untuk menghasilkan vektor probabilitas Sebuah saya
. vektor R kemudian
dihitung sebagai rata-rata tertimbang ( h ri, h Si),
dengan bobot yang diberikan oleh Sebuah saya:
• (1)
Negara disembunyikan R dimasukkan ke lapisan terhubung
sepenuhnya, dan Softmax digunakan untuk prediksi kebenaran.
4 Percobaan dan Hasil
dataset: Dua dataset rumor tersedia untuk umum
digunakan: RumorEval ( Derczynski et al., 2017 ) Dan
PHEME ( Zubiaga et al., 2016 ; Zubiaga et al., 2017 ).
RumorEval dirilis sebagai bagian dari SemEval-2017 Tugas
8 kompetisi ( Derczynski et al., 2017 ). Ini berisi 325 rumor
(4017 cabang) dari Twitter. Setiap tweet yang juga diberi
label dengan sikap. The PHEME dataset memiliki
1972 rumor. Tapi tweet-nya tidak memiliki label sikap. Untuk
ini mendapatkan label sikap mereka untuk belajar multi-tugas,
berikut ( Kochkina et al., 2018 ), Kami juga menggunakan sikap
algoritma deteksi yang diuraikan dalam ( Kochkina et al., 2017 )
untuk
otomatis keterangan ini tweet. Itu
RumorEval dataset diberikan dengan pelatihan /
pengembangan / pengujian split. Untuk PHEME dataset, kita
menggunakan salib validasi, sama seperti ( Kochkina et al.,
2018 ). Akurasi dan Makro F1 digunakan sebagai metrik
evaluasi.
Mengenai penjelasan sikap dari kumpulan data
RumorEval ( Derczynski et al., 2017 ), Sebagai kertas tugas
deskripsi sudah menunjukkan: keseluruhan antar-Annotator
tingkat kesepakatan
63,7% menunjukkan tugas untuk menjadi menantang, dan lebih
mudah untuk tweets sumber (81,1%) dibandingkan membalas tweet
(62,2%). Ini berarti bahwa ada banyak label sikap tidak konsisten
bertentangan atau. Ketika kami menganalisis data training set, kami
menemukan banyak contoh seperti itu. Untuk membuat label lebih
konsisten, kami menjalankan analisis untuk mencari tulisan yang
pada dasarnya sama atau sangat mirip, tapi label mereka berbeda.
Kami kemudian menandai posting ini, dan menggunakan label yang
sama, yang diberi label pada sebagian besar posting ini, mereka
selama pelatihan. Kesamaan antara dua posting dihitung dengan
cosinus ukuran kesamaan. Ambang kesamaan untuk
dipertimbangkan sebagai posting serupa secara empiris ditetapkan
sebagai 0,75.
Metode dibandingkan: Kami membandingkan model yang
diusulkan kami dengan pendekatan berikut, termasuk
negara-of-the-art algoritma:
Mayoritas suara: ini adalah dasar yang kuat yang
menghasilkan akurasi tinggi karena ketidakseimbangan kelas
dalam tugas klasifikasi kebenaran.
NileTMRG: ini adalah yang terbaik sistem prediksi kebenaran
dari SemEval-2017 Tugas 8 ( Enayet dan El-Beltagy, 2017 ). Hal ini
didasarkan pada SVM linear menggunakan kantong-of-kata
representasi dari tweet bersambung dengan fitur yang dipilih.
BranchLSTM: metode yang didasarkan pada lapisan LSTM
diikuti oleh beberapa lapisan padat ReLU dan lapisan Softmax ( Zubiaga
et al., 2018b ).
MTL2: metode multi-tugas tanpa lapisan tugas tertentu ( Kochkina
et al., 2018 ).
metode Akurasi F1 Makro
Mayoritas (False) 0,438 0,304
NileTMRG 0,57 0,539
BranchLSTM 0,5 0,491
MTL2 0,571 0,558
Model yang diusulkan 0,638 0,606
1176
 Tabel 1: hasil verifikasi Rumor tentang RumorEval
Ma et al. ( 2018a ) Mengusulkan multi-task
pendekatan menggunakan GRU, dengan lapisan tugas tertentu untuk
setiap tugas. Ia tidak memiliki mekanisme perhatian, dan melakukan
tidak menggunakan
pemakai informasi. Kami
pelaksanaan pendekatan mereka tidak mencapai kinerja yang
dilaporkan dalam makalah mereka menggunakan set data yang
mereka gunakan, jadi kami tidak membandingkan metode kami
dengan mereka di sini. Ma et al. ( 2018b ) Mengusulkan model
berdasarkan jaringan saraf rekursif pohon-terstruktur. Kami tidak
menyertakan model ini dalam percobaan kami, karena
menggunakan jaringan rekursif dan ia melakukan tidak baik pada
dataset tanpa jalur propagasi panjang, yang merupakan kasus untuk
dataset kami.
Pengaturan eksperimental: Model kami dilatih untuk
meminimalkan kesalahan kuadrat antara distribusi probabilitas
dari prediksi dan kebenaran tanah, sama seperti ( Ma et al.,
2018a ). Stochastic gradien keturunan, beringsut mini-batch,
pembaruan AdaDelta, back-propagasi dan putus sekolah yang
digunakan dalam proses pelatihan. Ukuran TE adalah
300. Selama pelatihan, untuk setiap cabang, tugas sikap pertama
dijalankan, diikuti oleh tugas verifikasi rumor, agar tugas verifikasi
untuk memanfaatkan negara tersembunyi dari lapisan deteksi sikap
pada langkah perhatiannya. Zero-padding dan masker yang
digunakan untuk menangani panjang yang bervariasi dari cabang
masukan; mereka juga digunakan di ( Kochkina et al., 2017 ; Ma et
al., 2018a ). kebenaran akhir Sebuah rumor ini didasarkan pada hasil
voting dari semua cabang-cabangnya.
metode Akurasi F1 Makro
Mayoritas (True) 0,511 0,226
NileTMRG 0,438 0,339
BranchLSTM 0,454 0,336
MTL2 0,441 0,376
Model yang diusulkan 0,483 0,418
Tabel 2: hasil verifikasi Rumor tentang PHEME dataset
hasil: Tabel 1 menunjukkan hasil pada RumorEval dataset,
dan Tabel 2 adalah untuk dataset PHEME. Kita bisa melihat
bahwa metode kami yang diusulkan melebihi pendekatan lain
pada kedua dataset.
Dalam kedua kasus, penampilan
peningkatan signifikan secara statistik pada tingkat p = 0,01 untuk Omar Enayet dan Samhaa R El-Beltagy. 2017.
akurasi dan F1, menggunakan
t-test ( Beras 2006 ).
Dibandingkan dengan model multi-tugas lain, model kami
memiliki tiga fitur utama: 1. menggabungkan informasi
kredibilitas pengguna dalam rumor
1177
tugas verifikasi, 2. menggunakan mekanisme perhatian lebih
memperhatikan tweets penting, dan 3. mengintegrasikan
informasi sikap ke dalam perhitungan perhatian.
5. Kesimpulan
Kami mengusulkan pendekatan pembelajaran multi-tugas untuk
tugas-tugas deteksi dan klasifikasi sikap rumor. Model ini
menggabungkan pengguna informasi kredibilitas ke dalam lapisan
deteksi rumor, dan menggunakan mekanisme perhatian dalam
proses deteksi rumor. Percobaan pada dua dataset menunjukkan
bahwa melebihi model yang diusulkan kami deteksi
negara-ofthe-art rumor pendekatan.
Referensi
Gustavo Aguilar, Suraj Maharjan, Pastor Adrian
L'opez Monroy, dan Thamar Solorio. 2017. Pendekatan
multi-tugas bernama pengakuan entitas data media sosial. Dalam
Prosiding Lokakarya 3 pada Bising Text User-dihasilkan, halaman
148-153.
Carlos Castillo, M. Mendoza, dan B. Poblete.
kredibilitas informasi di twitter. WWW 2011.
Kaya Caruana. 1998. Multitask belajar. dalam Belajar
untuk mempelajari. Springer, 95-133.
Kyunghyun Cho, Bart van Merriënboer, Dzmitry
Bahdanau, dan Yoshua Bengio. 2014. Pada sifat dari mesin
terjemahan saraf: Encoderdecoder
pendekatan. arXiv preprint
arXiv: 1409.1259 (2014).
Ronan Collobert, Jason Weston, Leon Bottou,
Michael Karlen, Koray Kavukcuoglu, dan Pavel Kuksa.
pemrosesan bahasa alami (hampir) dari awal. J. Mach. Belajar.
Res, 12:. 2493-2537, 2011. Ju-han Chuang dan Shukai Hsieh.
Pendirian
klasifikasi pada komentar posting. Dalam Prosiding 29 th Pacific
Asia Konferensi Bahasa, Informasi dan Komputasi. 2015
Leon Derczynski, Kalina Bontcheva, Maria Liakata,
Rob Procter, Geraldine Wong Sak Hoi, dan Arkaitz Zubiaga.
2017. Semeval-2017 tugas 8: Rumoureval: Menentukan rumor
kebenaran dan dukungan untuk rumor. Dalam Prosiding
Lokakarya Internasional ke-11 di Semantic Evaluasi (SemEval-
2017), halaman 69-76.
Niletmrg di semeval-2017 tugas 8: Menentukan rumor dan
kebenaran dukungan untuk rumor di twitter. SemEval-2017.
Genevieve Gorrell, Kalina Bontcheva, leon
Derczynski, Elena Kochkina, Maria Liakata, dan
 Arkaitz Zubiaga, RumourEval 2019: Menentukan Rumor kejujuran
dan Dukungan untuk Rumor. SemEval 2019
Gupta, H. Lamba, P. Kumaraguru, dan A. Joshi.
Memalsukan berpasir: karakteristik dan mengidentifikasi gambar
palsu di twitter selama badai pasir. WWW 2013
Elena Kochkina, Maria Liakata, Isabelle Augenstein,
2017, Turing di SemEval-2017 Tugas 8: Pendekatan Sequential
ke Rumor Stance Klasifikasi dengan Cabang-LSTM, SemEval
2017
Elena Kochkina, Maria Liakata, Arkaitz Zubiaga, All
dalam-satu: Multi-tugas Pembelajaran untuk Rumor
Verifikasi, coling 2018
Sejeong Kwon, Meeyoung Cha, Kyomin Jung, Wei
Chen, dan Yajun Wang. 2013. Tokoh fitur propagasi rumor di
media sosial secara online. ICDM.
Man Lan, Jianxiang Wang, Yuanbin Wu, Zheng-Yu
Niu, dan Haifeng Wang. 2017. berbasis perhatian Multi-tugas
jaringan saraf untuk implisit
ceramah hubungan perwakilan
identifikasi. Dalam Prosiding 2017
Konferensi Metode Empiris di Alam
Bahasa Pengolahan, halaman 1299-1308.
Quanzhi Li, Xiaomo Liu, Rui Fang, Armineh
Nourbakhsh, Sameena Shah, 2016, Perilaku Pengguna di Berita
baik Rumor: Studi Kasus Twitter. The 10th International AAAI
Konferensi Web dan Media Sosial (ICWSM 2016)
Quanzhi Li, Sameena Shah, Xiaomo Liu, Armineh
Nourbakhsh 2017, Data Set: Word Embeddings Belajar dari
Tweet dan Data General, The 11th International AAAI Konferensi
Web dan Media Sosial (ICWSM 2017).
Pengfei Liu, Xipeng Qiu, dan Xuanjing Huang. 2016.
jaringan saraf berulang untuk klasifikasi teks dengan
pembelajaran multi-task. IJCAI 2016
Xiaomo Liu, Armineh Nourbakhsh, Quanzhi Li, Rui
Fang, Sameena Shah, 2015, Real-time Rumor
Membongkar di Twitter, CIKM 2015.
Michal Lukasik, PK Srijith, Duy Vu, Kalina
Bontcheva, Arkaitz Zubiaga, dan Trevor Cohn.
2016. Hawkes proses untuk waktu kontinu klasifikasi berurutan:
aplikasi untuk klasifikasi sikap rumor di twitter. ACL 2016
Jing Ma, Wei Gao, Zhongyu Wei, Yueming Lu, dan
Kam-Fai Wong. 2015. Deteksi Rumor Menggunakan Time Series
of Konteks Sosial informasi tentang
Microblogging Website. Dalam Prosiding CIKM.
Jing Ma, Wei Gao, Prasenjit Mitra, Sejeong Kwon,
Bernard J Jansen, Kam-Fai Wong, dan Meeyoung
Cha. 2016. Mendeteksi desas-desus dari mikroblog dengan
jaringan saraf berulang. Dalam Prosiding IJCAI.
Jing Ma, Wei Gao, Kam-Fai Wong, 2017, Deteksi
rumor di posting microblog menggunakan struktur propagasi melalui
pembelajaran kernel, ACL 2017
Jing Ma, Wei Gao, Kam-Fai Wong, Mendeteksi Rumor dan
Sikap Bersama dengan Neural Multi-tugas Learning, WWW 2018
Jing Ma, Wei Gao, Kam-Fai Wong, Deteksi Rumor
di Twitter dengan pohon-terstruktur Rekursif Neural Networks,
ACL 2018
M. Mendoza, B. Poblete, dan C. Castillo. Twitter di bawah krisis: Bisakah
kita percaya apa yang kita rt? Dalam Proc. Lokakarya pertama di
Social Media Analytics 2010.
Tomas Mikolov, Ilya Sutskever, Kai Chen, Greg
Corrado, dan Jeffrey Dean. didistribusikan
Representasi Kata-kata dan Frase dan Compositionality mereka.
Dalam Prosiding NIPS, 2013.
Saif M Mohammad, Svetlana Kiritchenko, Parinaz
Sobhani, Xiaodan Zhu, dan Colin Cherry. 2016. Semeval-2016
dan
tugas 6: Mendeteksi sikap dalam tweets. SemEval 2016.
K. Popat, S. Mukherjee, A. Yates, G. Weikum: DECLARE:
membongkar Palsu Berita dan Klaim Palsu menggunakan
Bukti-Aware Jauh Learning, di
Prosiding EMNLP, 2018.
V. Qazvinian, E. Rosengren, DR Radev, dan Q. Mei. Rumor
mengatakan: Mengidentifikasi informasi yang salah di mikroblog.
EMNLP 2011.
Sarvesh Ranade, Rajeev Sangal, dan Radhika
Mamidi. 2013. Klasifikasi Sikap dalam perdebatan secara online
dengan mengakui niat pengguna. SIGDIAL
2013.
John A. Rice. 2006. Statistik Matematika dan Data
Analisis, Edisi Ketiga, Duxbury Lanjutan Kai Shu, Amy Sliva,
Suhang Wang, Jiliang Tang, dan
Huan Liu. deteksi berita 2017. palsu di media sosial: Sebuah
perspektif data mining. SIGKDD Explorations Terakhir
K. Wu, S. Yang, dan KQ Zhu. desas-desus palsu deteksi pada weibo
Sina oleh struktur propagasi. IEEE ICDE 2015.
Fan Yang, Yang Liu, Xiaohui Yu, dan Min Yang.
2012. Otomatis deteksi rumor di weibo Sina. Lokakarya SIGKDD
ACM pada Data Mining Semantik.
Zhe Zhao, Paul Resnick, dan Qiaozhu Mei. 2015.
Bertanya Minds: Deteksi Dini Rumor di Social Media dari Kirim
Tulisan. WWW 2015
Arkaitz Zubiaga, Maria Liakata, Rob Procter,
Geraldine Wong Sak Hoi, dan Peter Tolmie. 2016.
1178
 Menganalisis bagaimana orang mengarahkan ke dan penyebaran rumor
di media sosial dengan melihat benang
percakapan. PloS satu 11 (3): e0150989. Arkaitz Zubiaga, Maria
Liakata, dan Rob Procter.
2017. Pemanfaatan konteks untuk deteksi rumor di media sosial.
Dalam Konferensi Internasional tentang Informatika Sosial,
halaman 109-123. Peloncat. Arkaitz Zubiaga, Ahmet Aker, Kalina
Bontcheva,
Maria Liakata, dan Rob Procter. 2018a. Deteksi dan resolusi
rumor di media sosial: Sebuah survei. ACM Comput. Survei.

Arkaitz Zubiaga, Elena Kochkina, Maria Liakata, Rob

Procter, Michal Lukasik, Kalina Bontcheva, Trevor Cohn, dan
Isabelle Augenstein. 2018b. klasifikasi sikap rumor
wacana-sadar di media sosial menggunakan pengklasifikasi
berurutan. IPM

1179