基于GNN与Transformer融合的社交网络谣言检测模型设计与性能评估.pdfVIP

基于GNN与TRANSFORMER融合的社交网络谣言检测模型设计与性能评估1

基于GNN与Transformer融合的社交网络谣言检测模型

设计与性能评估

1.研究背景与意义

1.1社交网络谣言传播现状

社交网络的快速发展极大地改变了人们的信息获取和传播方式。然而，这种便捷性

也使得谣言的传播变得更加容易和迅速。据统计，全球主要社交平台上每天传播的信息

量高达数亿条，其中约有15%的内容存在不实信息或谣言的嫌疑。例如，在2024年的

一次重大公共卫生事件中，仅在事件发生的前24小时内，相关谣言在某大型社交平台

上的传播量就超过了100万次，这些谣言不仅引发了公众的恐慌，还对社会秩序和公共

卫生应对措施产生了严重的干扰。

从传播速度来看，谣言在社交网络中的传播速度远超真实信息。研究表明，谣言的

传播速度是真实信息的6倍以上，其传播范围在短时间内可以扩大到数百万用户。这

种快速传播的特性使得谣言能够在极短的时间内影响大量人群，造成广泛的负面影响。

此外，社交网络的匿名性和信息传播的低成本也为谣言的滋生提供了温床。用户可以轻

易地发布未经证实的信息，而无需承担太多责任，这进一步加剧了谣言的泛滥。

1.2谣言检测的重要性

谣言的广泛传播对社会的各个方面都产生了严重的危害。在经济领域，虚假信息可

能导致股票市场的剧烈波动，给投资者带来巨大损失。例如，2023年某知名科技公司

因一则关于其财务造假的谣言，其股价在一天内下跌了超过15%，市值蒸发了数百亿美

元。在社会层面，谣言可能引发公众恐慌，影响社会稳定。在公共卫生领域，关于疫苗

的谣言曾导致部分人群拒绝接种疫苗，严重影响了公共卫生防疫措施的实施。

为了应对这些挑战，谣言检测技术的研究变得尤为重要。传统的谣言检测方法主要

依赖于人工审核，但这种方法效率低下且难以应对海量的信息。近年来，随着人工智能

技术的发展，基于机器学习和深度学习的谣言检测方法逐渐兴起。然而，这些方法大多

存在局限性，例如无法有效处理社交网络中的复杂关系和动态变化。GNN（图神经网

络）和Transformer架构在处理图结构数据和长文本信息方面具有独特的优势，将两者

融合用于谣言检测模型的设计，有望克服传统方法的不足，提高谣言检测的准确性和效

率。通过准确检测和及时遏制谣言的传播，不仅可以保护公众的利益，还能维护社会的

稳定和正常秩序。

2.GNN与TRANSFORMER基础2

2.GNN与Transformer基础

2.1图神经网络（GNN）原理

图神经网络（GNN）是一种强大的图结构数据处理工具，能够有效捕捉节点间的复

杂关系。在社交网络谣言检测中，用户之间的互动、信息传播路径等都可以用图的形式

表示，GNN能够对这些图结构数据进行建模和分析。

•节点表示学习：GNN的核心是通过聚合邻居节点的信息来更新当前节点的表示。

例如，对于社交网络中的一个用户节点，其表示不仅包含自身的特征（如发布的

消息内容、用户属性等），还会融合其邻居节点（即与该用户有互动的其他用户）

的信息。通过这种方式，GNN能够学习到每个节点在图结构中的位置和角色，从

而更好地理解信息传播的模式。

•图卷积操作：图卷积是GNN中常见的操作方式。它类似于传统卷积神经网络中

的卷积操作，但针对图结构数据进行了调整。在谣言检测中，图卷积可以帮助模

型识别出哪些用户或信息在谣言传播中起到了关键作用。例如，如果一个用户节

点的邻居节点中有多个传播谣言的节点，那么该用户节点在图卷积操作后，其表

示会反映出这种与谣言传播相关的特征，从而为谣言检测提供线索。

•多跳传播：GNN支持多跳传播，即不仅考虑直接邻居节点的信息，还可以聚合更

远距离的节点信息。这在社交网络谣言检测中尤为重要，因为谣言的传播往往不

是简单的单跳传播，而是通过多级用户扩散。通过多跳传播，GNN能够捕捉到谣

言在社交网络中的传播路径和范围，从而更准确地判断信息的真实