It's about Time: Rethinking Evaluation on Rumor Detection Benchmarks using Chronological Splits
The University of Sheffield（谢菲尔德大学）
随着时间的推移，新的事件出现，影响社交媒体上的谣言话题。目前的谣言检测基准使用随机分割作为训练、开发和测试集，这通常会导致主题重叠。因此，由于时间概念漂移，在随机分割上训练的模型可能在以前看不见的主题上的谣言分类上表现不佳。在本文中，我们提供了一个重新评估的分类模型的四个流行的谣言检测基准考虑时间顺序，而不是随机分裂。我们的实验结果表明，使用随机分割可以显著高估所有数据集和模型的预测性能。因此，我们建议谣言检测模型应该始终使用时间分割进行评估，以最大限度地减少主题重叠。
2023-02-06 cs.CL
Zero-Shot Rumor Detection with Propagation Structure via Prompt Learning
Hong Kong Baptist University（香港浸会大学）；Beijing University of Posts and Telecommunications（北京邮电大学）；Fudan University（复旦大学）；Tsinghua University（清华大学）
本文提出基于提示学习的零样本谣言检测框架，通过分层提示编码和传播结构建模实现跨语言、跨领域检测，并在三个数据集上验证其优越性能。
2023-05-26 cs.CL
Can Large Language Models Detect Rumors on Social Media?
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
本研究提出基于LLM的谣言检测方法LeRuD，通过提示推理关键线索和传播链划分，在Twitter和微博数据集上超越现有模型3.2%-7.7%，且无需训练数据。
2024-02-08 cs.CL cs.IR
VRoC: Variational Autoencoder-aided Multi-task Rumor Classifier Based on Text
University of Southern California（南加州大学）
社交媒体变得流行起来，几乎影响了我们日常生活的方方面面。虽然网上发帖对个人用户来说非常方便，但它也助长了各种谣言的快速传播。谣言的迅速和广泛传播会造成持续的不利或有害影响。因此，研究者们在减少谣言的负面影响方面投入了大量的精力。为此，谣言分类系统旨在检测，跟踪和验证社交媒体中的谣言。这样的系统通常包括四个组件：（i）谣言检测器，（ii）谣言跟踪器，（iii）立场分类器，以及（iv）真实性分类器。为了提高谣言检测、跟踪和验证的最新水平，我们提出了一种基于推特级变分自编码器的谣言分类系统VRoC。VRoC由一个协同训练引擎组成，该引擎训练变分自编码器（VAE）和谣言分类组件。协同训练引擎帮助VAE调整它们的潜在表示，使其对分类器友好。我们还表明，VRoC能够以高精度对看不见的谣言进行分类。对于PHEME数据集，VRoC在宏观F1评分方面，在观察到的和未观察到的谣言上，始终优于几种最先进的技术，最高可达26.9%。
2021-01-28 cs.CL cs.LG
A Cross-Modal Rumor Detection Scheme via Contrastive Learning by Exploring Text and Image internal Correlations
本文提出基于对比学习的跨模态谣言检测方案MICC，通过SCLIP编码器、跨模态多尺度对齐和尺度感知融合网络，充分挖掘文本与多尺度图像内部关联，在两个真实数据集上显著优于现有方法。
2025-08-15 cs.AI cs.CL cs.CV
Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks
Beijing University of Posts and Telecommunications（北京邮电大学）；Hong Kong Baptist University（香港浸会大学）；Jilin University（吉林大学）
在社交媒体时代，谣言泛滥。对话结构提供了区分真实和虚假声明的有价值的线索。然而，现有的谣言检测方法要么局限于用户响应的严格关系，要么过于简化会话结构。在这项研究中，大大加强了用户意见的互动，同时减轻不相关的职位所带来的负面影响，我们首先表示的会话线程作为一个无向交互图。然后，我们提出了一个索赔引导的层次图注意力网络的谣言分类，提高了表示学习的响应帖子考虑到整个社会背景和出席的帖子，可以语义推断的目标索赔。在三个Twitter数据集上进行的大量实验表明，我们的谣言检测方法比最先进的方法具有更好的性能，并且在早期阶段检测谣言的能力更强。
2021-11-15 cs.CL
Avoiding Over-smoothing in Social Media Rumor Detection with Pre-trained Propagation Tree Transformer
Beijing Key Laboratory of Traffic Data Mining and Embodied Intelligence（北京交通大数据挖掘与具身智能重点实验室）
本文提出基于Transformer的P2T3方法，通过提取传播树中的对话链并引入诱导偏置，解决谣言传播结构中的过平滑问题，实验表明其在多个基准数据集上优于现有方法。
2026-03-24 cs.AI cs.CL
RP-DNN: A Tweet level propagation context based deep neural networks for early rumor detection in Social Media
在社交媒体平台上，当信息有限、不完整和有噪声时，早期谣言检测（ERD）非常具有挑战性。大多数现有的方法在很大程度上都是在事件级检测上工作的，这需要收集与特定事件相关的帖子，并且只依赖于用户生成的内容。它们不适合在事件展开并广泛传播之前的早期阶段检测谣言来源。在本文中，我们解决的ERD在消息级别的任务。我们提出了一种新的混合神经网络架构，它结合了特定任务的基于字符的双向语言模型和堆叠的长短期记忆（LSTM）网络来表示输入源推文的文本内容和社会时间背景，用于在谣言发展的早期阶段对谣言的传播模式进行建模。我们应用多层注意力模型来共同学习多个上下文输入的注意力上下文嵌入。我们的实验采用了严格的留一交叉验证（LOO-CV）评估设置在七个公开的真实谣言事件数据集。我们的模型实现了最先进的（SoA）性能，可以在涵盖超过12个事件和2，967个谣言的大型增强数据中检测看不见的谣言。进行消融研究，以了解我们提出的模型的每个组件的相对贡献。
2020-03-02 cs.CL cs.IR cs.SI
Rumor Detection on Twitter Using Multiloss Hierarchical BiLSTM with an Attenuation Factor
National Cheng Kung University（成功大学）
Twitter等社交媒体平台已成为未经证实的信息或谣言的滋生地。这些谣言会威胁人们的健康，危害经济，影响国家的稳定。许多研究人员已经开发出使用传统机器学习或普通深度学习模型对谣言进行分类的模型。然而，以前的研究，谣言检测的精度低，是耗时的。受层次模型和多任务学习的启发，本文提出了一种带衰减因子的多损失层次BiLSTM模型。该模型分为两个BiLSTM模块：post级和event级。通过这种层次结构，该模型可以从有限数量的文本中提取深层信息。每个模块都有一个损失函数，有助于学习双边特征并减少训练时间。在后级增加衰减因子以提高精度。两个谣言数据集上的结果表明，我们的模型比最先进的机器学习和香草深度学习模型具有更好的性能。
2020-12-14 cs.CL
Calling to CNN-LSTM for Rumor Detection: A Deep Multi-channel Model for Message Veracity Classification in Microblogs
Université de Lyon（里昂大学）；Lyon 2（里昂第二大学）
社交媒体以其低成本、易于获取、实时和有价值的信息而闻名，但也广泛传播未经证实或虚假的新闻。谣言会对个人和社会造成严重的危害。因此，社交媒体上的谣言检测最近引起了极大的关注。大多数谣言检测方法关注谣言特征分析和社会特征，即，社交媒体中的元数据不幸的是，这些功能是数据特定的，可能并不总是可用的，例如，当谣言刚刚出现还没有传播的时候相比之下，帖子内容（包括图像或视频）起着重要作用，可以表明谣言的传播目的。此外，谣言分类还与意见挖掘和情感分析密切相关。然而，据我们所知，利用图像和情感的研究很少。考虑到微博的多模态特征，值得注意的是，我们在本文中提出了一个端到端的模型，称为deepMONITOR，它是基于深度神经网络，并允许相当准确的自动谣言验证，通过利用所有三个特征：后文本和图像内容，以及情感。deepMONITOR将图像特征与联合文本和情感特征连接起来，以产生可靠的融合分类。我们在两个大规模的真实世界数据集上进行了广泛的实验。结果表明，deepMONITOR实现了比最先进的方法更高的准确性。
2021-10-11 cs.AI cs.CL
Explainable Rumor Detection using Inter and Intra-feature Attention Networks
Stevens Institute of Technology（史蒂文斯理工学院）
随着社交媒体变得无处不在，来自该媒体的信息消费也增加了。然而，随着这种增长而出现的一个严重问题是谣言的传播。因此，谣言识别是一项非常关键的任务，对经济、民主以及公共健康和安全都有重要意义。在本文中，我们通过设计一个模块化的可解释架构来解决社交媒体中谣言的自动检测问题，该架构使用潜在和手工制作的功能，并且可以根据需要扩展到许多新的功能类别。这种方法将允许最终用户不仅确定社交媒体上的信息是否是真实的谣言，而且还可以解释算法得出结论的原因。使用注意力机制，我们能够解释每个特征的相对重要性以及特征类本身的相对重要性。这种方法的优点是，架构可以扩展到更多的手工制作的功能，因为它们变得可用，也进行广泛的测试，以确定这些功能在最终决策的相对影响。在流行的数据集上进行的广泛实验和对11种当代算法的基准测试表明，我们的方法在F分数和准确性方面表现得更好，同时也是可解释的。
2020-07-21 cs.CL cs.SI
Rumor Detection by Multi-task Suffix Learning based on Time-series Dual Sentiments
The University of Manchester（曼彻斯特大学）；The University of Melbourne（墨尔本大学）；Carnegie Mellon University（卡内基梅隆大学）
针对现有方法忽略谣言演变中源与回复消息细粒度情感的问题，提出多任务后缀学习框架MSuf，融合时间序列双重情感特征与文本嵌入，仅需极小参数微调即可显著提升LLM的谣言检测与追踪性能。
2025-09-14 cs.CL
Call Attention to Rumors: Deep Attention Based Recurrent Neural Networks for Early Rumor Detection
The University of Queensland（昆士兰大学）；Deakin University（迪肯大学）；The University of New South Wales（新南威尔士大学）
社交媒体在沟通和信息传播方面的泛滥，使其成为传播谣言的理想平台。在谣言扩散阶段自动揭穿谣言被称为\textit{early rumor detection}，它指的是处理关于有争议的事实主张的连续帖子，这些事实主张随着时间的推移而发生某些变化和高度文本重复。因此，识别趋势谣言需要一个高效而灵活的模型，该模型能够捕获帖子之间的长期依赖关系，并为准确的早期检测产生不同的表示。然而，这是一个具有挑战性的任务，将传统的分类算法应用于谣言检测的早期，因为他们依赖于手工制作的功能，需要密集的人工努力的情况下，大量的职位。本文提出了一种基于循环神经网络（RNN）的深度注意模型，用于学习序列帖子的\textit{selectively}时间隐藏表示，以识别谣言。该模型将软注意力深入到递归中，同时汇集出具有特定焦点的不同特征，并产生隐藏的表示，以捕获相关帖子随时间的上下文变化。在社交媒体网站上收集的真实数据集上进行的大量实验表明：（1）基于深度注意力的RNN模型优于依赖手工特征的最新技术;（2）软注意力机制的引入可以有效地提前从原始帖子中提取谣言的相关部分;（3）所提出的方法比竞争对手更快，更准确地检测谣言。
2017-04-20 cs.CL cs.SI
Contradiction Detection for Rumorous Claims
Saarland University（萨尔大学）
在新闻工作流程中，社交媒体材料的使用越来越多，需要自动化的方法来识别错误和虚假信息。由于社交媒体帖子中的文本矛盾可能是谣言的信号，因此我们试图对Twitter帖子中的声明如何在文本上矛盾进行建模。我们确定了两种不同的情况下，矛盾出现：其更广泛的形式，可以观察到独立发布的推文和线程会话中的更具体的形式。我们定义了两种情况下不同的论证的核心要素：索赔和对话结构。我们设计和评估模型的两种情况下，统一为3路识别文本蕴涵任务，以表示索赔和会话结构隐含在一个通用的推理模型，而以前的研究使用显式或没有表示这些属性。为了解决噪声文本，我们的分类器使用来自字符串和词性级别的简单相似性特征。语料库的统计数据显示，这些功能的分布差异，而不是矛盾的鸣叫关系，和分类产量的最先进的性能。
2016-11-11 cs.CL
LLM-Enhanced Multiple Instance Learning for Joint Rumor and Stance Detection with Social Context Information
Hong Kong Baptist University（香港浸会大学）；Singapore Management University（新加坡管理大学）
针对现有立场检测需昂贵帖子级标注的问题，提出LLM增强的多实例学习弱监督方法，联合检测谣言与立场，实验验证其有效性及与最优方法相比的良好性能。
2025-02-13 cs.CL
Graph Representation Learning with Massive Unlabeled Data for Rumor Detection
School of Computer；Information Technology \& Beijing Key Lab of Traffic Data Analysis
本研究利用微博和推特的大规模无标注话题数据，结合图自监督方法（InfoGraph、JOAO、GraphMAE）提升谣言检测的泛化能力，实验证明其优于专门设计的谣言检测方法，并在少样本条件下表现良好。
2025-08-06 cs.CL cs.SI
Modeling Conversation Structure and Temporal Dynamics for Jointly Predicting Rumor Stance and Veracity
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；University of Chinese Academy of Sciences（中国科学院大学）
自动验证谣言信息已经成为自然语言处理和社交媒体分析中一项重要且具有挑战性的任务。以往的研究表明，人们对谣言信息的态度可以为判断谣言的真实性提供指示性线索，因此确定公众反应的态度是谣言真实性预测的关键前一步。在本文中，我们提出了一个分层的多任务学习框架，用于联合预测Twitter上的谣言立场和真实性，它由两个组件组成。我们的框架的底部组件分类的立场，在讨论谣言的对话通过建模的结构属性的基础上一种新的图卷积网络的推文。顶部组件预测谣言的真实性，利用立场演变的时间动态。在两个基准数据集上的实验结果表明，该方法在谣言立场分类和准确性预测方面都优于以往的方法。
2019-09-18 cs.CL cs.SI
VGA: Vision and Graph Fused Attention Network for Rumor Detection
Beijing Jiaotong University（北京交通大学）
本文提出视觉与图融合注意力网络VGA，利用传播结构获取群体意见，并挖掘图像篡改特征和隐藏文本，在多模态谣言检测上显著超越现有方法。
2024-01-03 cs.CL cs.CV cs.MM
LTCR: Long-Text Chinese Rumor Detection Dataset
Sun Yat-Sen University（中山大学）
针对长文本虚假新闻难检测的问题，本文构建了包含1729条真新闻、500条假新闻的中文长文本谣言检测数据集LTCR，并提出显著性感知虚假新闻检测模型，在该数据集上取得了最优检测性能。
2023-06-13 cs.CL
A Unified Contrastive Transfer Framework with Propagation Structure for Boosting Low-Resource Rumor Detection
Hong Kong Baptist University（香港浸会大学）；Jilin University（吉林大学）；Singapore Management University（新加坡管理大学）
提出统一对比迁移框架，利用多尺度图卷积网络和领域自适应对比学习，从传播结构中挖掘线索，提升低资源谣言检测性能。
2023-10-17 cs.CL
Towards Real-World Rumor Detection: Anomaly Detection Framework with Graph Supervised Contrastive Learning
School of Computer Science and Technology & Beijing Key Lab of Traffic Data Analysis and Mining（计算机科学与技术学院及北京交通数据挖掘与分析重点实验室）
针对真实世界谣言数据不平衡与稀缺问题，构建Weibo和Twitter大规模对话数据集，提出图监督对比学习异常检测框架AD-GSCL，在平衡、不平衡及少样本条件下均表现优越。
2025-08-10 cs.CL cs.SI
Neural Language Model Based Training Data Augmentation for Weakly Supervised Early Rumor Detection
The University of Sheffield（谢菲尔德大学）
训练数据的稀缺性和类别不平衡性是当前谣言检测任务中的已知问题。我们提出了一个简单的和通用的数据增强技术，这是有益的早期谣言检测依赖于事件传播模式。其关键思想是利用社交媒体上的大量未标记事件数据集来增强有限的标记谣言源推文。这项工作是基于最近的谣言研究和标记和未标记的数据之间的语义相关性揭示的谣言传播模式。一个国家的最先进的神经语言模型（NLM）和大型的可信度为重点的Twitter语料库学习上下文敏感的表示谣言推文。六个不同的现实世界中的事件的基础上，三个公开可用的谣言数据集在我们的实验中提供了一个比较评估的方法的有效性。结果表明，我们的方法可以将现有谣言数据集的大小扩展近200%，并且相应的社会背景（即，100%，质量合理。利用最先进的基于深度学习的谣言检测模型进行的初步实验表明，增强数据可以缓解由有限的训练数据引起的过拟合和类别不平衡，并且可以帮助训练复杂的神经网络（NN）。在增强数据的情况下，谣言检测的性能可以提高12.1%。我们的实验还表明，增强的训练数据可以帮助推广谣言检测模型上看不见的谣言。
2019-07-16 cs.CL cs.LG
Rumor Classification through a Multimodal Fusion Framework and Ensemble Learning
Université de Lyon（里昂大学）；Laboratoire Cogitamus（科吉塔穆斯实验室）
社交媒体上的谣言扩散已成为一个主要问题，因为它能够造成毁灭性的影响。手动评估社交媒体消息的准确性是一项非常耗时的任务，机器学习可以提供很大帮助。大多数消息真实性验证方法仅利用文本内容和元数据。很少有人同时考虑文本和视觉内容，特别是图像。此外，先前的工作已经使用了许多经典的机器学习模型来检测谣言。然而，尽管最近的研究已经证明了集成机器学习方法的有效性，但这种模型很少被应用。因此，在本文中，我们提出了一套先进的图像质量评估领域的启发，并介绍了多模态融合框架来评估社交网络（MONITOR），它利用所有的消息功能，通过探索各种机器学习模型的消息的真实性。此外，我们证明了集成学习算法的谣言检测的有效性，通过使用五个元学习模型。最后，我们在两个真实世界的数据集上进行了广泛的实验。结果表明，MONITOR的性能优于最先进的机器学习基线，集成模型显著提高了MONITOR的性能。
2023-01-04 cs.AI cs.CL cs.CV
RAGAT-Mind: A Multi-Granular Modeling Approach for Rumor Detection Based on MindSpore
School of Information Technology（信息科技学院）；Network Security Research Center（网络安全研究中心）；Big Data and Policing Technology Laboratory（大数据与警务技术实验室）；Guangxi Police College（广西警察学院）
本文提出RAGAT-Mind，一种基于MindSpore的多粒度谣言检测方法，融合TextCNN、双向GRU、多头注意力和BiGCN，在Weibo1-Rumor数据集上达到99.2%准确率和0.9919宏F1，验证了层次特征与图结构结合的有效性。
2025-04-24 cs.CL cs.CY
Enhancing Rumor Detection Methods with Propagation Structure Infused Language Model
School of Computer Science and Technology & Beijing Key Lab of Traffic Data Analysis and Mining（计算机科学与技术学院及北京交通数据与挖掘重点实验室）
针对PLMs在谣言检测任务表现不佳的问题，提出持续预训练策略PEP，通过预测帖子间关系注入传播结构信息，并构建大规模语料库训练定制模型SoLM，显著提升了基线模型及少样本场景下的检测准确率。
2025-08-10 cs.CL cs.SI
Emotion Detection for Misinformation: A Review
The University of Manchester（曼彻斯特大学）；National Centre for Text Mining（国家文本挖掘中心）
本文综述了基于情感的错误信息检测方法，分析了利用情感、情绪和立场特征区分假新闻与真实新闻的多种方法的优缺点，并指出了基于大型语言模型的研究挑战及未来方向。
2023-11-01 cs.CL
Jointly embedding the local and global relations of heterogeneous graph for rumor detection
University of Chinese Academy of Sciences（中国科学院大学）；Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）
社交媒体的发展彻底改变了人们沟通、分享信息和决策的方式，但也为发布和传播谣言提供了理想的平台。现有的谣言检测方法集中于从文本内容、用户简档和传播模式中寻找线索。然而，消息传播图中的局部语义关系和全局结构信息并没有被以前的工作很好地利用。在本文中，我们提出了一种新的全局-局部注意力网络（GLAN）的谣言检测，它联合编码的局部语义和全局结构信息。我们首先通过融合相关转发的语义信息和注意力机制，为每个源推文生成一个更好的综合表示。然后，我们将所有源推文，转发和用户之间的全局关系建模为异构图，以捕获用于谣言检测的丰富结构信息。我们在三个真实世界的数据集上进行了实验，结果表明，GLAN在谣言检测和早期检测场景中的性能明显优于最先进的模型。
2019-09-11 cs.CL cs.IR cs.SI
WSDMS: Debunk Fake News via Weakly Supervised Detection of Misinforming Sentences with Contextualized Social Wisdom
Hong Kong Baptist University（香港浸会大学）；Singapore Management University（新加坡管理大学）；Jinan University（暨南大学）
针对假新闻辟谣中缺乏句子级标注数据集的挑战，本文提出弱监督模型WSDMS，仅需包级标签即可结合情境化社交媒体对话推断句子级错误信息和文章级真实性，并在三个基准上优于现有基线。
2023-10-25 cs.CL
Semantic Evolvement Enhanced Graph Autoencoder for Rumor Detection
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
针对现有谣言检测方法忽略事件传播中语义演化信息的问题，提出语义演化增强的图自编码器GARD模型，通过捕获局部和全局语义变化并结合传播结构，引入均匀性正则化器，在整体性能和早期检测上优于现有方法。
2024-04-24 cs.AI cs.CL cs.LG
Toward Effective Multi-Domain Rumor Detection in Social Networks Using Domain-Gated Mixture-of-Experts
University of Tehran（德黑兰大学）；Hazrat-e Masoumeh University（圣马苏梅大学）；Iran Telecommunication Research Center (ITRC)（伊朗电信研究中心）
本研究提出一种多领域谣言检测模型，通过领域门控专家混合方法提升跨领域检测性能，实现高准确率的谣言分类。
2026-01-28 cs.CL cs.IR cs.SI
LLM-based Few-Shot Early Rumor Detection with Imitation Agent
Singapore Management University（新加坡管理大学）；Hong Kong Baptist University（香港 Baptist大学）
本文提出基于自主代理和大语言模型的少样本早期谣言检测框架，通过轻量级代理提升效率，实现准确性和早熟性的提升。
2026-01-29 cs.AI cs.CL
Probing Spurious Correlations in Popular Event-Based Rumor Detection Benchmarks
National University of Singapore（新加坡国立大学）
随着社交媒体成为错误信息传播的温床，谣言检测的关键任务已经见证了开源基准数据集所带来的有希望的进步。尽管被广泛使用，但我们发现这些数据集存在虚假相关性，这些相关性被现有的研究所忽略，并导致严重高估现有的谣言检测性能。虚假的相关性源于三个原因：（1）基于事件的数据汇集和标签方案将相同的真实性标签分配给来自同一基础事件的多个高度相似的帖子;（2）合并多个数据源虚假地将源身份与真实性标签相关联;以及（3）标签偏差。在本文中，我们仔细研究了三个最流行的谣言检测基准数据集（即，Twitter 15，Twitter 16和PHEME），并提出事件分离的谣言检测作为一种解决方案，以消除虚假的线索。在事件分离设置下，我们观察到现有最先进模型的准确性显著下降了40%以上，仅与简单的神经分类器相当。为了更好地解决这一任务，我们提出了出版商风格聚合（PSA），一种可推广的方法，聚合出版商发布记录，以了解写作风格和准确性的立场。大量的实验表明，我们的方法优于现有的基线的有效性，效率和泛化能力。
2022-09-19 cs.AI cs.CL cs.SI
Propagation Tree Is Not Deep: Adaptive Graph Contrastive Learning Approach for Rumor Detection
针对谣言传播树呈宽泛浅层结构的特点，提出自适应图对比学习方法RAGCL，通过基于节点中心性的视图增强生成稳健谣言表示，在四个基准数据集上优于现有方法。
2025-08-10 cs.AI cs.CL cs.SI
Verifying Rumors via Stance-Aware Structural Modeling
Department of Electrical Engineering and Computer Science（电气工程与计算机科学系）；University of Arkansas（亚拉巴马大学）
本文提出一种基于立场感知的结构建模方法，通过编码对话中的立场信号和聚合回复嵌入，提升谣言验证的准确性与泛化能力。
2025-12-15 cs.AI cs.CL cs.CY
Interpretable Rumor Detection in Microblogs by Attending to User Interactions
DSO National Laboratories（国防科技研究院）；Singapore Management University（新加坡管理大学）
我们通过学习区分社区对微博中真实和虚假声明的反应来解决谣言检测问题。现有的最先进的模型是基于对会话树进行建模的树模型。然而，在社交媒体中，发布回复的用户可能是回复整个线程，而不是回复特定用户。我们提出了一个后级注意力模型（post-level attention model），用于描述Transformer网络中具有多头注意力机制的推文之间的长距离交互。我们研究了该模型的变体：（1）结构感知的自注意模型（StA-HiTTH），它在Transformer网络中包含树结构信息，以及（2）分层令牌和后级注意模型（StA-HiTTH），它学习具有令牌级自注意的句子表示。据我们所知，我们是第一个在两个谣言检测数据集上评估我们的模型的人：PHEME数据集以及Twitter 15和Twitter 16数据集。我们表明，我们最好的模型优于目前的最先进的模型，这两个数据集。此外，注意力机制使我们能够解释谣言检测预测在令牌级和后级。
2020-01-29 cs.CL cs.IR cs.SI
Breaking Event Rumor Detection via Stance-Separated Multi-Agent Debate
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）
针对社交媒体突发事件谣言检测中缺乏标注资源、LLMs多样性有限的问题，提出立场分离的多智能体辩论模型S2MAD，通过分类评论立场和主张类型、多轮辩论及法官裁决，在两个数据集上性能优于现有方法，提升LLMs检测效果。
2024-12-06 cs.CL cs.MA
Collaboration and Controversy Among Experts: Rumor Early Detection by Tuning a Comment Generator
College of Computer Science and Technology, Jilin University（吉林大学计算机科学与技术学院）
针对谣言早期检测中评论不足的问题，本文提出CAMERED框架，通过模拟专家协作与争议调优评论生成器，生成逼真评论并与原始评论融合，显著提升了早期检测性能。
2025-04-05 cs.CL cs.SI
Fighting an Infodemic: COVID-19 Fake News Dataset
IIIT Sri City（印度国际信息技术学院斯里城校区）；IIIT Delhi（德里国际信息技术学院）；IIT Patna（巴特那印度理工学院）
除了COVID-19大流行，我们还在与“信息时代”作斗争。假新闻和谣言在社交媒体上泛滥。相信谣言会造成严重的伤害。这种情况在大流行时会进一步加剧。为了解决这个问题，我们策划并发布了一个手动注释的数据集，其中包含10，700篇关于COVID-19的真实和虚假新闻的社交媒体帖子和文章。我们使用四种机器学习基线-决策树，逻辑回归，梯度提升和支持向量机（SVM）对注释数据集进行基准测试。我们获得了最好的性能93.46%F1-评分与SVM。数据和代码可在https://github.com/parthpatwa/covid19-fake-news-dectection上获得
2021-05-26 cs.CL cs.IR cs.SI
ArCovidVac: Analyzing Arabic Tweets About COVID-19 Vaccination
Qatar Computing Research Institute, HBKU（卡塔尔计算研究所，哈马德·本·哈利法大学）；University of Pittsburgh（匹兹堡大学）
COVID-19大流行的出现和首次全球信息流行病以多种不同方式改变了我们的生活。我们依靠社交媒体获取有关COVID-19疫情的最新信息，同时传播信息。社交媒体上的内容不仅包括与健康相关的建议，计划和来自政策制定者的信息性新闻，还包含阴谋和谣言。重要的是，一旦这些信息被发布，就必须立即识别它们，以做出可操作的决策（例如，揭穿谣言，或采取某些措施旅行）。为了应对这一挑战，我们为COVID-19疫苗接种活动开发并公开发布了第一个最大的人工注释阿拉伯语推文数据集ArCovidVac，覆盖了阿拉伯地区的许多国家。该数据集通过不同的注释层来丰富，包括：（i）信息性（推文的重要性更高与较低）;（ii）细粒度的推文内容类型（例如，建议、谣言、限制、认证新闻/信息）;以及（iii）对疫苗接种的立场（支持疫苗接种、中立、反对疫苗接种）。此外，我们对数据进行了深入分析，探索不同疫苗的受欢迎程度，趋势标签，主题和推文中的攻击性。我们研究了各种类型的推文和对疫苗立场的时间变化的数据。我们使用Transformer架构对ArCovidVac数据集进行基准测试，以获得信息量、内容类型和姿态检测。
2022-01-17 cs.CL cs.SI
Exploring Complex Mental Health Symptoms via Classifying Social Media Data with Explainable LLMs
University of Toronto（多伦多大学）；LinkedIn Corporation（领英公司）；Princeton University（普林斯顿大学）
本文提出一种利用可解释大语言模型对社交媒体文本分类并分析解释的流水线，初步应用于预测莱姆病和焦虑人群的心理健康及未来ADHD担忧。
2024-12-09 cs.CL
C$^{3}$T: Counterfactual Causal Reasoning for Sentiment Shifts in Social-Media Conversation Trees
Oklahoma State University（俄克拉荷马州立大学）
本研究针对社交媒体对话树的情感转变问题，提出C³T模型，基于CaSiRe数据集，联合预测节点情感与转变，在事件级划分下优于多类基线，为社交媒体分析提供结构导向的反事实建模动机。
2026-09-03 cs.AI cs.CL
Conspiracy in the Time of Corona: Automatic detection of Covid-19 Conspiracy Theories in Social Media and the News
UCLA（加州大学洛杉矶分校）
谣言和阴谋论在低信心和低信任的环境中茁壮成长。因此，鉴于对新型冠状病毒及其传播和遏制，或对该流行病的长期社会和经济影响缺乏任何权威的科学共识，与新型冠状病毒疫情相关的疫情激增也就不足为奇了。在目前流传的故事中，有一些认为5G网络激活了病毒，大流行是全球阴谋集团制造的骗局，病毒是中国人故意释放的生物武器，或者比尔·盖茨正在利用它作为掩护来启动全球监控机制。虽然有些人可能很快就会认为这些故事对现实世界的行为几乎没有影响，但最近发生的事件，包括财产破坏，种族主义引发的针对亚裔美国人的袭击，以及支持抵制公共卫生命令的示威活动，都推翻了这样的结论。受叙事理论的启发，我们抓取社交媒体网站和新闻报道，并通过应用自动化机器学习方法，发现支持这些故事生成的底层叙事框架。我们展示了助长谣言和阴谋论的各种叙事框架如何依赖于不同知识领域的一致性，并考虑它们如何与更广泛的流行病报道联系在一起。这些可以近实时监控的对齐和附件可能有助于识别新闻中特别容易被阴谋论者重新解释的领域。了解社交媒体上讲故事的动态以及为这些故事提供生成基础的叙事框架，也可能有助于设计破坏其传播的方法。
2020-04-28 cs.CL cs.SI
Exploring Data Augmentation Methods on Social Media Corpora
University of California, Berkeley（加州大学伯克利分校）
数据增强已被证明在计算机视觉中广泛有效。在自然语言处理（NLP）中，数据增强仍然是一个活跃的研究领域。目前还没有一种广泛接受的增强技术可以在任务和模型架构之间很好地工作。在本文中，我们探讨了数据增强技术的文本分类的背景下，使用两个社会媒体数据集。我们探索了流行的数据增强方法，从过采样、简易数据增强（Wei和Zou，2019）和反向翻译（Sennrich等人，2015）。我们还考虑灰度，一个相对未开发的数据增强技术，旨在减轻强度的形容词的例子。最后，我们考虑一种少样本学习方法：模式开发训练（PET）（Schick et al.，2020年）。对于实验，我们使用BERT Transformer架构。结果表明，增强技术只提供了最小的和不一致的改进。同义词替换提供了一些性能改进的证据，灰度化的形容词尺度是一个值得进一步探索的领域。少样本学习实验表明，与监督训练相比，少样本学习有一致的改进，当类很容易分离时，少样本学习似乎很有希望，但进一步的探索是有价值的。
2023-03-03 cs.CL
Adversarial Attacks and Defenses for Social Network Text Processing Applications: Techniques, Challenges and Future Research Directions
Texas A&M University, San Antonio（德克萨斯A&M大学圣安东尼奥分校）；Hamad Bin Khalifa University（哈马德·本·哈利法大学）；New Jersey Institute of Technology（新泽西理工学院）；Qatar Computing Research Institute（卡塔尔计算研究所）；King Faisal University（费萨尔国王大学）
社交媒体的使用越来越多，导致了几种机器学习（ML）和自然语言处理（NLP）工具的开发，以处理前所未有的社交媒体内容，从而做出可行的决策。然而，这些MLand NLP算法已被广泛证明容易受到对抗攻击的攻击。这些漏洞允许攻击者在社交媒体文本处理的不同应用中对这些算法发动多样化的对抗攻击。在本文中，我们提供了一个全面的审查的主要方法，对抗攻击和防御的背景下，社交媒体应用程序，特别关注的关键挑战和未来的研究方向。详细地说，我们涵盖了六个关键应用的文献，即（i）谣言检测，（ii）讽刺检测，（iii）点击诱饵和垃圾邮件识别，（iv）仇恨言论检测，（v）错误信息检测，（vi）情感分析。然后，我们强调并发和预期的未来研究问题，并为未来的工作提供建议和方向。
2021-10-26 cs.CL
Exploring Hybrid and Ensemble Models for Multiclass Prediction of Mental Health Status on Social Media
RWTH Aachen University（亚琛工业大学）；University of Amsterdam（阿姆斯特丹大学）
近年来，利用自然语言处理和机器学习技术的进步，对来自社交媒体数据的自动心理健康检测（MHD）的研究兴趣激增。虽然在这一跨学科的研究领域取得了重大进展，但绝大多数工作都将MHD视为二元分类任务。然而，如果我们要揭示与特定心理健康状况相关的语言使用统计模式之间的细微差异，多类分类设置是必不可少的。在这里，我们报告了旨在从Reddit社交媒体帖子中预测六种疾病（焦虑，注意缺陷多动障碍，双相情感障碍，创伤后应激障碍，抑郁症和心理压力）的实验。我们探索并比较了混合模型和集成模型的性能，这些模型利用了基于transformer的架构（BERT和RoBERTa）和BiLSTM神经网络，这些神经网络是在不同语言特征集的文本内分布上训练的。这个集合包括句法复杂性，词汇复杂性和多样性，可读性和特定于寄存器的ngram频率，以及情感和情感词汇的测量。此外，我们进行功能消融实验，以调查哪些类型的功能是最能表明特定的心理健康状况。
2022-12-19 cs.CL
Exploring Factual Entailment with NLI: A News Media Study
Hebrew University of Jerusalem（耶路撒冷希伯来大学）
本研究提出新型事实蕴涵标注方案FactRel并构建新闻句对数据集，发现事实关系与NLI关系存在显著差异，验证了GPT-4合成数据、小样本学习在该任务上的有效性，揭示任务对世界知识与推理能力的双重依赖。
2024-06-24 cs.CL
Exploring a Unified Sequence-To-Sequence Transformer for Medical Product Safety Monitoring in Social Media
DSIG - Bayer Pharmaceuticals（拜耳制药数字科学创新组）；New York University（纽约大学）；Michigan State University（密歇根州立大学）；The Hong Kong Polytechnic University（香港理工大学）
不良事件（AE）是使用医疗产品导致的有害事件。虽然社交媒体可能对早期AE检测至关重要，但这些数据的庞大规模使得使用人类代理进行分析在逻辑上难以实现，而NLP是唯一低成本和可扩展的替代方案。在本文中，我们使用T5模型架构将AE检测和提取作为一个序列到序列的问题，并在几个英语基准测试中实现了与竞争基线相比的强大性能改进（F1 = 0.71，AE检测的相对改进为12.7%;严格F1 = 0.713，AE提取的相对改进为12.4%）。受AE相关任务之间的强烈共性、AE基准中的类不平衡以及社交媒体帖子典型的语言和结构多样性的启发，我们提出了一种新的多任务训练策略，该策略同时考虑了任务和数据集特征。我们的多任务方法提高了模型的鲁棒性，从而进一步提高了性能。最后，我们的框架显示了一些语言迁移能力，在法语数据的零样本学习中获得了比多语言BERT更高的性能。
2021-09-13 cs.CL
Exploring Spatial-Temporal Variations of Public Discourse on Social Media: A Case Study on the First Wave of the Coronavirus Pandemic in Italy
Sony Computer Science Laboratories（索尼计算机科学实验室）
本文提出一种基于时间序列分析和聚类的方法论，通过分析社交媒体推文使用趋势来探究重大事件的社会反应，并在意大利第一波冠状病毒案例中验证了物理距离影响交流内容的心理学观察。
2023-06-28 cs.CL
"With 1 follower I must be AWESOME :P". Exploring the role of irony markers in irony recognition
Rutgers University（罗格斯大学）；Columbia University（哥伦比亚大学）
社交媒体中的对话通常包含讽刺或讽刺的使用，当用户说与他们真正意思相反的话时。反语标记语是一种元交际线索，它告诉读者话语是反语。本文对$Twitter$和$Reddit$这两个社交媒体平台上的反语标记进行了深入的分析。分类和频率分析表明，对于$Twitter$，诸如表情符号和表情符号的排版标记是识别讽刺话语的最具区分性的标记，而对于$Reddit$，形态标记（例如，感叹词，附加疑问句）是最具歧视性的。
2018-04-14 cs.CL
Exploring Fake News Detection with Heterogeneous Social Media Context Graphs
University of Regensburg（雷根斯堡大学）
假新闻检测已经成为一个研究领域，远远超出了纯粹的学术兴趣，因为它对我们整个社会有直接的影响。最近的进展主要集中在基于文本的方法。然而，很明显，要想有效，就需要结合额外的上下文信息，如新闻文章的传播行为和社交媒体上的用户互动模式。我们建议围绕新闻文章构建异构社会背景图，并将问题重新表述为图分类任务。探索不同类型的信息的合并（以了解什么级别的社会背景最有效）并使用不同的图神经网络架构表明，这种方法非常有效，在公共基准数据集上具有强大的结果。
2022-12-13 cs.CL cs.IR
A Semi-automatic Method for Efficient Detection of Stories on Social Media
Massachusetts Institute of Technology（麻省理工学院）
Twitter已经成为许多人的主要新闻来源之一。随着现实世界的事件和紧急情况的展开，Twitter上充斥着数十万关于这些事件的故事。其中一些故事是无害的，而另一些可能是拯救生命或恶意谣言的来源。因此，能够有效地跟踪这些事件期间在Twitter上传播的故事至关重要。在本文中，我们提出了一种新的半自动工具，使用户能够有效地识别和跟踪Twitter上的真实事件的故事。我们对25名参与者进行了一项用户研究，结果表明，与更传统的方法相比，我们的工具可以提高用户跟踪真实世界事件的速度和准确性。
2016-05-17 cs.CL cs.IR cs.SI
Exploring Social Media Posts for Depression Identification: A Study on Reddit Dataset
Indian Institute of Science Education and Research, Bhopal（印度科学教育与研究学院博帕尔分校）
本研究针对抑郁症识别问题，基于Reddit 2022年抑郁相关论坛热门帖子数据，结合UMLS Metathesaurus标注与经典机器学习模型，实现了92.28%的抑郁帖子预测准确率，验证了社交媒体数据用于抑郁症识别的可行性。
2024-04-16 cs.CL cs.SI
Media of Langue: The Interface for Exploring Word Translation Network/Space
The University of Tokyo（东京大学）
本文提出 Word Translation Network 及探索界面 Media of Langue，支持多语言词语义配置与词典信息查询，并发布覆盖七个语言对的网络应用。
2024-10-26 cs.CL cs.HC
DS@GT at CheckThat! 2025: Exploring Retrieval and Reranking Pipelines for Scientific Claim Source Retrieval on Social Media Discourse
Georgia Institute of Technology（佐治亚理工学院）
针对社交媒体科学声明缺乏来源的问题，DS@GT团队在CheckThat! 2025任务4b中探索多种数据增强、检索重排序流水线并微调双编码器，MRR@5达0.58，较BM25基线提升0.15。
2025-07-09 cs.CL cs.IR
