预测病毒性谣言和脆弱用户的信息传播监测
内容提要
该文综述社交媒体谣言检测研究，涵盖多种方法：基于异质图的元路径方法，结合全局语义与传播结构；图卷积多视图融合框架；多任务学习框架检测谣言立场与真实性；双向图卷积网络Bi-GCN结合传播扩散特征；基于级联的低维用户向量预测传播动态；ViralBERT利用内容与用户特征预测推特传播性；视觉与图神经网络VGA检测多模态谣言；多输入框架结合文本与网络特征识别不可靠信息；MONITOR框架基于图像特征与集成学习评估真实性；全局-局部注意力网络GLAN联合编码语义与结构信息，在早期检测中表现优越。
延伸解读
谣言检测从文本走向传播结构
文章梳理的多种方法显示，谣言检测已不再只依赖文本内容，而是越来越重视传播结构。异质图元路径、Bi-GCN、GLAN等模型都试图捕捉消息在社交网络中的扩散模式，因为谣言往往具有特定的传播特征。这种转向意味着，仅靠语义分析可能不够，结合用户互动和传播路径能提升检测效果。
早期检测是多项研究的共同目标
基于异质图的元路径方法明确具备非常早期检测谣言的能力，GLAN也在早期检测场景中表现优越。这说明研究界不仅关注检测准确性，还关注在谣言广泛扩散前识别它。早期检测对减少社会危害有实际意义，但文章未说明这些方法在信息极少的初始阶段的具体表现边界。
多模态与多任务成为新方向
VGA利用视觉与图神经网络检测多模态谣言，关注图像篡改和隐藏文本；多任务学习框架同时检测谣言立场与真实性；ViralBERT结合内容与用户特征预测传播性。这些方法反映出谣言形态日益复杂，单一信号难以覆盖，融合文本、图像、用户和网络特征成为提升检测能力的重要思路。
用户脆弱性建模仍显初步
文章提到基于级联的低维用户向量预测传播动态，并捕捉用户的影响和易感性，这触及了脆弱用户在信息传播中的角色。但整体综述中，针对用户脆弱性的专门建模仍较少，多数方法聚焦于消息本身或传播图结构。若要预测病毒性谣言和识别易感用户，还需更系统的用户层面研究。
Q&A
社交媒体谣言检测有哪些基于图神经网络的方法？
文章提到多种基于图神经网络的方法：基于异质图的元路径方法结合全局语义与传播结构；图卷积多视图融合框架；双向图卷积网络Bi-GCN结合传播和扩散特征；全局-局部注意力网络GLAN联合编码语义与结构信息；视觉与图神经网络VGA用于多模态谣言检测。
Bi-GCN模型是如何进行谣言检测的？
Bi-GCN是一种双向图卷积网络模型，它结合传播和扩散两个重要特征，利用顶部向下传播和底部向上传播的方式进行训练，并结合源帖信息来提升谣言的影响力，实验表明在多个基准测试中优于先前的类似方法。
ViralBERT模型用什么特征来预测推文的传播性？
ViralBERT使用基于内容和用户的特征来预测推特的传播性。它通过两个BERT模块对文本进行语义表示和情感分析，并利用关注者数量等用户特征。研究证实文本情感和关注者数量是该模型的强特征。
如何检测包含图像的社交媒体谣言？
文章提到VGA（视觉与图神经网络）方法，通过利用帖子间的传播结构来获取群众观点、发现视觉篡改特征以及隐藏在图像中的文本信息，从而有效检测多模态谣言。
GLAN模型在早期谣言检测中表现如何？
GLAN（全局-局部注意力网络）联合编码本地语义和全局结构信息，并基于异构图模型捕捉消息传播图中的丰富结构信息。实验证明在谣言检测和早期检测场景中，GLAN明显优于现有的最先进模型。
有哪些方法可以评估社交媒体信息的真实性？
文章提到MONITOR框架基于图像特征和集成学习算法评估信息真实性，在两个真实数据集上优于机器学习基线；还有多任务学习框架同时检测谣言立场和真实性；以及多输入框架结合文本和网络特征识别不可靠信息。
