RAGAT-Mind: A Multi-Granular Modeling Approach for Rumor Detection Based on MindSpore

要約

誤った情報がソーシャルメディアプラットフォーム全体で増殖し続けているため、自然言語処理の緊急の課題として効果的な噂の検出が浮上しています。
このペーパーでは、MindSpore Deep Learning Frameworkに基づいて構築された中国の噂検出のための多顆粒モデリングアプローチであるRagat-Mindを提案します。
このモデルは、ローカルセマンティック抽出のためにTextCNN、シーケンシャルコンテキスト学習のための双方向GRU、グローバル依存関係の焦点のマルチヘッド自己触媒、および単語共起グラフの構造表現のための双方向グラフ畳み込みネットワーク（BIGCN）を統合します。
Weibo1-Rumorデータセットの実験は、Ragat-Mindが優れた分類パフォーマンスを達成し、99.2％の精度とMacro-F1スコアが0.9919を達成することを示しています。
結果は、階層的な言語機能をグラフベースのセマンティック構造と組み合わせることの有効性を検証します。
さらに、このモデルは強力な一般化と解釈可能性を示し、実際の噂検出アプリケーションの実用的な価値を強調しています。

要約(オリジナル)

As false information continues to proliferate across social media platforms, effective rumor detection has emerged as a pressing challenge in natural language processing. This paper proposes RAGAT-Mind, a multi-granular modeling approach for Chinese rumor detection, built upon the MindSpore deep learning framework. The model integrates TextCNN for local semantic extraction, bidirectional GRU for sequential context learning, Multi-Head Self-Attention for global dependency focusing, and Bidirectional Graph Convolutional Networks (BiGCN) for structural representation of word co-occurrence graphs. Experiments on the Weibo1-Rumor dataset demonstrate that RAGAT-Mind achieves superior classification performance, attaining 99.2% accuracy and a macro-F1 score of 0.9919. The results validate the effectiveness of combining hierarchical linguistic features with graph-based semantic structures. Furthermore, the model exhibits strong generalization and interpretability, highlighting its practical value for real-world rumor detection applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google