时序特性引导下的谣言事件检测方法评测

摘要

在谣言检测的场景中基于已有事件的数据实现对新兴突发事件上的谣言检测至关重要，这要求谣言检测模型在不同的数据分布上具有鲁棒性和泛化性.然而，很多现有的谣言检测方法都是使用随机数据集划分来进行训练的，虽然这些模型在给定的数据划分方式下实现了高预测精度，但它们不符合谣言检测的初衷——对正在发生的事件进行谣言检测.为了增强谣言检测模型对实时发生的新兴事件的鲁棒性，提出一种新颖的数据划分方案用于对谣言检测方法进行评测，该方案充分考虑了数据集中事件的发生时间，并根据事件发生的顺序将数据划分为训练集、验证集和测试集.为了评估其有效性，在目前被广泛使用的开源谣言检测数据集上应用了提出的数据划分方案，并使用六种最先进的谣言检测模型进行了充分的实验.实验结果表明，在提出的数据划分方案下，模型的准确率显著下降，最大的下降值达到53%.证明提出的划分方案为早期谣言检测提供了新的思路，并提供了更贴近现实、更有意义的解决方案.通过考虑事件的时间维度信息，该方案能引导谣言检测模型更加关注新兴环境中的谣言检测，有助于推动实际场景中谣言检测技术的进步.

关键词

社交网络 / 早期谣言检测 / 事件漂移 / 时序引导 / 数据划分方案