论文信息

论文标题：Rumor Detection on Twitter with Claim-Guided Hierarchical Graph Attention Networks
论文作者：Erxue Min, Yu Rong, Yatao Bian, Tingyang Xu, Peilin Zhao, Junzhou Huang,Sophia Ananiadou
论文来源：2021,EMNLP
论文地址：download
论文代码：download

Background

　　传播结构为谣言的真假提供了有用的线索，但是现有的谣言检测方法要么局限于用户相应关系，要么简化了对话结构。

　　本文说的 Claim 代表的是 Source post ，即源帖。

1 Introduction

　　如下为一个简单的 conversation thread 例子：

　　本文提出的点：考虑兄弟之间的关系，如下图虚线部分。

2 Claim-guided Hierarchical Graph Attention Networks

　　总体框架如下：

　　本文的模型包括两个注意力模块：

A Graph Attention to capture the importance of different neighboring tweets
A claim-guided hierarchical attention to enhance post content understanding

2.1 Claim-guided Hierarchical Attention

　　对于每个 tweet $x_i$ ，首先使用 Bi-LSTM 获得 Post 的特征矩阵 $X=\left[c, x_{1}, x_{2}, \cdots, x_{|\mathcal{V}|-1}\right]^{\top}$ ，其中 $c, x_{i} \in \mathbb{R}^{d}$ 。

　　为加强模型的主题一致性和语义推理：

Post-level Attention

　　为了防止主题偏离和丢失 claim 的信息，本文采用 gate module 决定它应该接受 claim 多少信息，以更好地指导相关职位的重要性分配。claim-aware representation 具体如下：

　　　　 $\begin{array}{l}g_{c \rightarrow x_{i}}^{(l)} &=&\operatorname{sigmoid}\left(W_{g}^{(l)} h_{x_{i}}^{(l)}+U_{g}^{(l)} h_{c}^{(l)}\right) \\\tilde{h}_{x_{i}}^{(l)} &=&g_{c \rightarrow x_{i}}^{(l)} \odot h_{x_{i}}^{(l)}+\left(1-g_{c \rightarrow x_{i}}^{(l)}\right) \odot h_{c}^{(l)}\end{array}$

　　其中， $g_{c \rightarrow x_{i}}^{(l)}$ 是一个 gate vector， $W_{g}^{(l)}$ 和 $U_{g}^{(l)}$ 是可学习参数。

　　然后，将 claim-aware representation 与 original representation 拼接起来，作为 $\text{Eq.1}$ 的输入去计算注意力权重：
　　　　 $\begin{array}{l}\hat{h}_{x_{i}}^{(l)}=\left[\tilde{h}_{x_{i}}^{(l)} \| h_{x_{i}}^{(l)}\right] \\\hat{\alpha}_{i, j}^{(l)}=\operatorname{Atten}\left(\hat{h}_{x_{i}}^{(l)}, \hat{h}_{x_{j}}^{(l)}\right)\end{array}$

2.2 Graph Attention Networks

　　为了编码结构信息，本文使用 GAT encoder：
　　： $H^{(l)}=\left[h_{c}^{(l)}, h_{x_{1}}^{(l)}, h_{x_{2}}^{(l)}, \ldots, h_{x_{|\mathcal{V}|-1}}^{(l)}\right]^{\top}$
　　过程：
　　　　 ${\large \begin{aligned}\alpha_{i, j}^{(l)} &=\operatorname{Atten}\left(h_{x_{i}}^{(l)}, h_{x_{j}}^{(l)}\right) \\&=\frac{\exp \left(\phi\left(a^{\top}\left[W^{(l)} h_{x_{i}}^{(l)} \| W^{(l)} h_{x_{j}}^{(l)}\right]\right)\right)}{\sum_{j \in \mathcal{N}_{i}} \exp \left(\phi\left(a^{\top}\left[W^{(l)} h_{x_{i}}^{(l)} \| W^{(l)} h_{x_{j}}^{(l)}\right]\right)\right)}\end{aligned}}$

　　　　 $h_{x_{i}}^{(l+1)}=\operatorname{Re} L U\left(\sum\limits_{j \in \mathcal{N}_{i}} \alpha_{i, j}^{(l)} W^{(l)} h_{x_{j}}^{(l)}\right)$

　　考虑多头注意力：

　　　　 $h_{x_{i}}^{(l+1)}=\|_{k=1}^{K} \operatorname{ReLU}\left(\sum\limits _{j \in \mathcal{N}_{i}} \alpha_{i, j}^{(l, k)} W_{k}^{(l)} h_{x_{j}}^{(l)}\right)$

　　替换输出层的表示向量：

　　　　 ${\large h_{x_{i}}^{(L)}=\operatorname{Re} L U\left(\frac{1}{K} \sum\limits _{k=1}^{K} \sum\limits_{j \in \mathcal{N}_{i}} \alpha_{i, j}^{\left(l^{\prime}, k\right)} W_{k}^{\left(l^{\prime}\right)} h_{x_{j}}^{\left(l^{\prime}\right)}\right)}$

　　输出：图表示

　　　　 $\bar{s}=\text { mean-pooling }\left(H^{(L)}\right)$

Event-level Attention

　　出发点：获得图表示的时候采用的平均池化并不是一定有意义的，可能存在某些节点对于图分类来说更准确。

　　受到 Natural Language Inference (NLI) 的影响，本文考虑对 GAT 最后一层的 $h_{c}^{(L)}$ 和 $\left.h_{x_{i}}^{(L)}: 1\right)$ 做如下处理：

　　　　1）concatenation $\left[h_{c}^{(L)} \| h_{x_{i}}^{(L)}\right]$

　　　　2）element-wise product $h_{\text {prod }}^{(L)}=h_{c}^{(L)} \odot h_{x_{i}}^{(L)}$

　　　　3）absolute element-wise difference $h_{\text {diff }}^{(L)}=\left|h_{c}^{(L)}-h_{x_{i}}^{(L)}\right|$

　　接着获得一个联合表示：

　　　　 $h_{x_{i}}^{c}=\tanh \left(F C\left(\left[h_{c}^{(L)}\left\|h_{x_{i}}^{(L)}\right\| h_{\text {prod }}^{(L)} \| h_{\text {diff }}^{(L)}\right]\right)\right)$

　　通过使用该联合表示计算 Event-level Attention ：

　　　　 ${\large \begin{array}{l}b_{i} &=&\tanh \left(F C\left(h_{x_{i}}^{c}\right)\right) \\\beta_{i} &=&\frac{\exp \left(b_{i}\right)}{\sum_{i} \exp \left(b_{i}\right)} \\\hat{s} &&=\sum_{i} \beta_{i} h_{x_{i}}^{(L)}\end{array}}$

　　最后将其 $\hat{S}$ 与 GAT 最后一层的平均池化图表示 $\bar{s}$ 拼接作为最终图表示，并进行分类：

　　　　 $\hat{y}=\operatorname{softmax}(F C([\hat{s} \| \bar{s}]))$

3 Experiments

3.1 Datasets

3.2 Rumor Classifification Performance

TWITTER15 分类结果：

PHEME 分类结果：

3.3 Ablation Study

　　1) ClaHi-GAT/DT: Instead of the undirected interaction graph, we use the directed trees as the model input.

　　2) GAT+EA+SC: We simply concatenate the features of the claim with the node features at each GAT layer, to replace the claim-aware representation.

　　3) w/o EA: We discard the event-level (inference-based) attention as presented.

　　4) w/o PA: We neglect the post-level (claim-aware) attention by leaving out the gating module introduced.

　　5) GAT: The backbone model.

　　6) GCN: The vanilla graph convolutional networks with no attention.

3.4 Evaluation of Undirected Interaction Graphs

ClaHi-GAT/DT Utilize the directional tree applied in past influential works as the modeling way instead of our proposed undirected interaction graph.
ClaHi-GAT/DTS Based on the directional tree structure similar to ClaHi-GAT/DT but the explicit interactions between sibling nodes are taken into account.
ClaHi-GAT/UD The modeling way is our undirected interaction topology but without considering the explicit correlations between sibling nodes that reply to the same target.
ClaHi-GAT In this paper, we propose to model the conversation thread as an undirected interaction graph for our claim-guided hierarchical graph attention networks.