基于深度视觉感知的RNN在谣言检测中的语义挖掘-2019（big data）

Mining Semantic Information in rumor detection via a deep visual perception based recurrent nerual networks,fengxing,2019-bigdata

主要内容

将社交事件流转换成连续时间序列，利用无偏CNN相关帖子的潜在语义，得到VIP注意向量，使用VIP注意向量指导RNN从上下文信息学习长距离依赖关系

提出方法

构建社会事件的可变长度时间序列

• 对事件中的帖子进行块的划分，保证块之间仍然存在时间顺序和相互影响。
• 对所有事件采取同样的划分原则：

1. 在时间轴上距离较近的帖子被分到同一批次，使得事件阶段不中断
2. 爆发期的帖子应妥善划分
3. 所以，最终的划分结果是：对帖子进行均等划分，使得每个时间段的贴子数量一致
4. normal all time steps to 0-1

• 为了建模不同的时间序列：

1. 使用每一个interval中词汇术语的TF-IDF值
2. 使用前K个频率词汇，代表词汇的重要度。
3. 用一个K维的稀疏矩阵代表time inteval中的事件
4. 每一个事件用K*N的矩阵进行编码，K表示词汇数量，N表示time interval数量

Vip RNN模型

• 时间序列建模好之后，作为输入通过嵌入层（dense embeding）转换成密集的嵌入向量，再分别输入LSTM中学习得到事件的表示（用LSTM的最后一个隐藏状态作为语义表示，此时已实现对事件的全部信息进行编码）
• text-VGG：无偏CNN学习得出事件的高级表示

Vip attention

• 表征两个子网络（LSTM、VGG）之间的相关性