Détection des rumeurs avec une nouvelle approche de réseau de neurones graphique

La propagation généralisée des rumeurs sur les réseaux sociaux a eu un impact négatif sur la vie quotidienne des gens, entraînant une panique potentielle, de la peur et des problèmes de santé mentale pour le public. Comment réfuter les rumeurs le plus tôt possible reste un problème difficile. Les études existantes s'appuient principalement sur la structure de propagation de l'information pour détecter les rumeurs, tandis que très peu de travaux se concentrent sur les corrélations entre les utilisateurs qui peuvent se coordonner pour propager des rumeurs afin de gagner une grande popularité. Dans cet article, nous proposons un nouveau modèle de détection qui apprend conjointement les représentations de la corrélation des utilisateurs et de la propagation de l'information pour détecter les rumeurs sur les réseaux sociaux. Plus précisément, nous utilisons des réseaux de neurones graphiques pour apprendre les représentations de la corrélation des utilisateurs à partir d'un graphe bipartite qui décrit les corrélations entre les utilisateurs et les tweets sources, et les représentations de la propagation de l'information avec une structure arborescente. Ensuite, nous combinons les représentations apprises de ces deux modules pour classer les rumeurs. Étant donné que les utilisateurs malveillants ont l'intention de subvertir notre modèle après son déploiement, nous développons en outre un schéma d'attaque avide pour analyser le coût de trois attaques adversariales : attaque par graphe, attaque par commentaire et attaque conjointe. Les résultats d'évaluation sur deux ensembles de données publics illustrent que le modèle proposé surpasse les modèles de détection des rumeurs à la pointe de la technologie. Nous démontrons également que notre méthode fonctionne bien pour la détection précoce des rumeurs. De plus, la méthode de détection proposée est plus robuste aux attaques adversariales par rapport à la meilleure méthode existante. Il est important de noter que nous montrons qu'il est coûteux pour les attaquants de subvertir le modèle de corrélation des utilisateurs, démontrant ainsi l'importance de considérer la corrélation des utilisateurs pour la détection des rumeurs.