Published January 1, 2018
| Version v1
Publication
Open
Rumor Detection on Twitter with Tree-structured Recursive Neural Networks
Creators
- 1. Chinese University of Hong Kong
- 2. Victoria University of Wellington
- 3. Institute of Software
Description
Automatic rumor detection is technically very challenging.In this work, we try to learn discriminative features from tweets content by following their non-sequential propagation structure and generate more powerful representations for identifying different type of rumors.We propose two recursive neural models based on a bottom-up and a top-down tree-structured neural networks for rumor representation learning and classification, which naturally conform to the propagation layout of tweets.Results on two public Twitter datasets demonstrate that our recursive neural models 1) achieve much better performance than state-of-the-art approaches; 2) demonstrate superior capacity on detecting rumors at very early stage.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد الكشف التلقائي عن الشائعات أمرًا صعبًا للغاية من الناحية الفنية. في هذا العمل، نحاول تعلم الميزات التمييزية من محتوى التغريدات باتباع بنية الانتشار غير المتسلسلة وتوليد تمثيلات أكثر قوة لتحديد نوع مختلف من الشائعات. نقترح نموذجين عصبيين متكررين يعتمدان على شبكات عصبية منظمة من أسفل إلى أعلى ومن أعلى إلى أسفل لتعلم وتصنيف تمثيل الشائعات، والتي تتوافق بشكل طبيعي مع تخطيط انتشار التغريدات. تثبت النتائج على مجموعتي بيانات تويتر العامة أن نماذجنا العصبية المتكررة 1) تحقق أداءً أفضل بكثير من أحدث الأساليب ؛ 2) إظهار قدرة متفوقة على اكتشاف الشائعات في مرحلة مبكرة جدًا.Translated Description (French)
La détection automatique des rumeurs est techniquement très difficile. Dans ce travail, nous essayons d'apprendre les caractéristiques discriminantes du contenu des tweets en suivant leur structure de propagation non séquentielle et en générant des représentations plus puissantes pour identifier différents types de rumeurs. Nous proposons deux modèles neuronaux récursifs basés sur des réseaux neuronaux structurés en arborescence ascendants et descendants pour l'apprentissage et la classification de la représentation des rumeurs, qui se conforment naturellement à la mise en page de propagation des tweets. Les résultats sur deux ensembles de données Twitter publics démontrent que nos modèles neuronaux récursifs 1) atteignent de bien meilleures performances que les approches de pointe ; 2) démontrent une capacité supérieure à détecter les rumeurs à un stade très précoce.Translated Description (Spanish)
La detección automática de rumores es técnicamente muy desafiante. En este trabajo, tratamos de aprender las características discriminatorias del contenido de los tweets siguiendo su estructura de propagación no secuencial y generando representaciones más poderosas para identificar diferentes tipos de rumores. Proponemos dos modelos neuronales recursivos basados en redes neuronales estructuradas en árboles de abajo hacia arriba y de arriba hacia abajo para el aprendizaje y la clasificación de la representación de rumores, que naturalmente se ajustan al diseño de propagación de los tweets. Los resultados en dos conjuntos de datos públicos de Twitter demuestran que nuestros modelos neuronales recursivos 1) logran un rendimiento mucho mejor que los enfoques más avanzados; 2) demuestran una capacidad superior para detectar rumores en una etapa muy temprana.Files
P18-1184.pdf.pdf
Files
(226 Bytes)
| Name | Size | Download all |
|---|---|---|
|
md5:5360980bad11bf9723da89687501effc
|
226 Bytes | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- الكشف عن الشائعات على تويتر باستخدام الشبكات العصبية التكرارية المنظمة بالأشجار
- Translated title (French)
- Détection de rumeurs sur Twitter avec des réseaux neuronaux récursifs structurés en arborescence
- Translated title (Spanish)
- Detección de rumores en Twitter con redes neuronales recursivas estructuradas en árboles
Identifiers
- Other
- https://openalex.org/W2798787718
- DOI
- 10.18653/v1/p18-1184
References
- https://openalex.org/W1423339008
- https://openalex.org/W1428768901
- https://openalex.org/W1546111015
- https://openalex.org/W1638051351
- https://openalex.org/W1784932861
- https://openalex.org/W1879966306
- https://openalex.org/W1889268436
- https://openalex.org/W1964803690
- https://openalex.org/W1974674099
- https://openalex.org/W1975594555
- https://openalex.org/W2016369760
- https://openalex.org/W2023767423
- https://openalex.org/W2032897813
- https://openalex.org/W2051405935
- https://openalex.org/W2064675550
- https://openalex.org/W2066424048
- https://openalex.org/W2084591134
- https://openalex.org/W2100974526
- https://openalex.org/W2104518905
- https://openalex.org/W2109448170
- https://openalex.org/W2142869398
- https://openalex.org/W2146502635
- https://openalex.org/W2147489358
- https://openalex.org/W2159981908
- https://openalex.org/W2188594517
- https://openalex.org/W2251939518
- https://openalex.org/W2281420995
- https://openalex.org/W2315054068
- https://openalex.org/W2515728551
- https://openalex.org/W2577888896
- https://openalex.org/W2609512471
- https://openalex.org/W2742144412
- https://openalex.org/W2798966390
- https://openalex.org/W2963355447
- https://openalex.org/W2963627077
- https://openalex.org/W2964199361
- https://openalex.org/W3101890897
- https://openalex.org/W3125491592
- https://openalex.org/W623703487