社交媒体争议检测与作者归属识别的创新方法

### 社交媒体争议检测与作者归属识别的创新方法 在当今数字化时代，社交媒体已经成为人们交流和表达观点的重要平台。然而，随之而来的争议话题和虚假信息也给社会带来了诸多挑战。本文将介绍两种创新的技术方法，分别用于社交媒体的争议检测和文本的作者归属识别。 #### 多尺度结构与语义信息融合图卷积网络（MSSF - GCN）用于争议检测 随着社交媒体的广泛传播，其中包含了大量用户之间的激烈讨论。因此，社交媒体上的争议检测是一项具有挑战性且有意义的任务，通常可分为主题级别和帖子级别。 ##### 关键贡献 - **构建TPCS图**：融合回复结构关系和情感信息，以情感信息为基础检测各种观点和潜在争议。 - **提出MSSF - GCN**：用于帖子级别的争议检测，能够融合全局结构信息、内容的语义信息和局部邻居信息，以获得全面的特征表示。 - **构建多语言数据集**：包含德语、法语和意大利语，用于争议检测，并与最先进的模型进行评估比较，展示了其优势。 ##### 相关工作 目前，大多数模型和方法利用基于Twitter、外部知识、图和语言特征等。例如，TPC - GCN模型整合了主题、帖子和评论的图结构和内容信息，用于帖子级别的争议检测。 ##### 方法 - **TPCS图构建** - **节点**：TPCS图G中有三种不同类型的节点，即主题节点、帖子节点和评论节点。主题节点可视为集成和交换信息的中心节点，也是连接属于该主题的所有帖子节点的根节点。每个评论节点与它回复的帖子节点或评论节点相连。 - **边**：为了考虑情感信息，利用预训练模型（PTMs）计算情感分数作为边的权重。具体来说，将源节点和目标节点的文本内容连接起来，计算情感类别（正、负）及其分数，可视为概率。边权重的定义如下： \[A[i, j] = Score(i, j)\] \[Score(i, j) = \begin{cases} + Positive \\ - Negative \end{cases}\] 其中，\(A \in R^{N×N}\)是邻接矩阵，\(N\)是节点数量。 - **MSSF - GCN网络** - **全局结构信息嵌入层**：使用GRAPHWAVE学习结构嵌入，它能够捕捉图中节点的结构相似性，并对全局图结构提供关键洞察，且对局部边结构的小扰动具有鲁棒性。学习到的结构嵌入矩阵为\(H_{st} \in R^{N×F_{st}}\)，每个节点有\(F_{st}\)维的表示\(h_{st} \in R^{F_{st}}\)。 - **语义信息嵌入层**：应用BERT将每个节点表示为嵌入向量\(h_{se} \in R^{F_{se}}\)，该实值向量捕捉了内容的隐藏句法和语义属性。所有节点的语义嵌入矩阵为\(H_{se} \in R^{N×F_{se}}\)。 - **结构和语义信息融合层**：使用注意力机制动态融合结构和语义特征。具体公式如下： \[F (h_s) = v^T \tanh (W_F h_s