Article:
l 论文标题：Debunking Rumors on Twitter with Tree Transformer(利用树状Transformer模型揭露Twitter中的谣言)
l 论文作者：Jing Ma、Wei Gao
l 论文来源：2020,COLING
l 引用：Ma J, Gao W (2020) Debunking rumors on twitter with tree transformer. In: Proceedings of the 28th international conference on computational linguistics, pp 5455–5466
1 Introduction:
出发点：现有的基于会话的谣言检测技术要么严格遵循树的边，要么将特征学习过程中的所有帖子完全联系在一起。
创新点：本文提出一个新颖的基于树状Transformer的检测模型来更好地利用用户对话之间的交互，其中，帖子级自注意力机制对于聚合子树/子树间的立场起着关键作用。
例子：以 PLAN 模型为例子——一种帖子之间全连接的例子
结论：Post 之间全连接的模型只适合浅层模型，并不适合深层模型，这是由于 Post 一般只和其 Parent 相关吗，全连接导致 Post 之间的错误连接加重。
2 Tree Transformer Model:
总体框架如下：
2.1 Token-Level Tweet Representation
Transformer encoder 框架：
给定一条表示为word sequence 
的推文，每个
是一个
维向量，可以用预先训练的单词嵌入初始化。我们使用多头自注意网络（MH-SAN）将每个
映射到一个固定大小的隐藏向量中。MH-SAN的核心思想是共同关注来自不同位置的不同表示子空间的单词。更具体地说，MH-SAN首先将输入字序列
转换为具有不同线性投影的多个子空间：
(1)
其中，
分别为query、key和value
representations，
表示与第h个头关联的参数矩阵。然后，应用attention
function来生成输出状态。
(2)
其中，
是放缩因子，
表示第h个头的子空间的维数。最后，表示的输出可以看作是所有头
的连接，n为头数，然后是一个归一化层（layerNorm）和前馈网络（FFN）。
(3)
其中
是表示tweet 
中所有单词的矩阵，
和
包含transformation的权值。最后，我们通过max-pooling所有相关words的向量，得到了
的表示：
(4)
其中，
为d维向量，|·|为单词数。
2.2 Post-Level Tweet Representation
作者的目标是交叉检查同一子树中的所有帖子，以增强表示学习，
因为：
（1）帖子通常很短，因此每个节点表达的立场与响应上下文密切相关；
（2）同一子树中的帖子直接指向子树根中表达的个人意见；
（3）通过比较同一子树中的所有回复帖子，可以获得一致的意见，从而降低错误信息的权重。
Bottom-Up Transformer
Figure
2(c)说明了本文的tree
transformer结构，它cross-check从底部子树到上部子树的post。具体来说，给定一个有根于
的子树，假设
表示子树中的节点集合，即
及其直接响应节点。然后，我们在
上应用一个post-level subtree attention（a
transformer-based block as shown in Figure 2(b)），以得到
中每个节点的细化表示：
(5)
其中，
是具有如Eq. 2-4中所示的相似形式的transform function，
包含了transformer的参数。因此，
是基于子树的上下文得到的
的细化表示。请注意，每个节点都可以被视为不同子树中的父节点或子节点，例如，在Figure
2(a)中，
可以是
的父节点，也可以是
的子节点。因此，一部分的节点在我们的from bottom subtree to upper
subtree模型中经过两次层次细化：(1)通过与父节点相比来捕获立场stance，(2)
通过关注邻居节点来获得较低权重的不准确信息，例如，一个父母支持一个错误的声明可能会细化如果大多数响应驳斥父节点。
Top-Down Transformer
Top-down transformer的方向与bottom-up transformer相反，沿着信息传播的方向，其架构如Figure 2 (d)所示。同样的，其学习到的表示也通过捕获立场和自我纠正上下文信息得到增强。
2.3 The overall Model
为了共同捕获整个树中表达的观点，我们利用一个注意力层来选择具有准确信息的重要帖子，这是基于细化的节点表示而获得的。这将产生：
(6)
其中，
由Bottom-Up Transformer或Top-Down
Transformer得到，
是注意力机制的参数。这里的
是节点
的注意权值，用于生成整个树的表示
。最后，我们使用一个全连接的输出层来预测谣言类上的概率分布。
(7)
其中，
和
是输出层中的权值和偏差。
此外，还有一种直接的方法可以将Bottom-Up transformer与Top-Down transformer的树表示连接起来，以获得更丰富的树表示，然后将其输入上述的
函数进行谣言预测。
本文所有的模型都经过训练，以最小化预测的概率分布和地面真实值的概率分布之间的平方误差：
(8)
其中
是ground-truth label，
是类C的预测概率，N是训练的树数，C是类的数量，
是所有模型参数
上的
正则化项，
是权衡系数。
3 Experiments:
Dataset
使用TWITTER和PHEME数据集进行实验，按照传播树深度将两个数据集划分为TWITTER-S (PHEME-S)和TWITTER-D (PHEME-D)一共4个数据集，下表展示数据集的统计情况：
Experiment
Early Rumor Detection Performance
4 Conclusion:
在本文中，通过分析，建模传播结构是检测谣言的关键因素，作者提出了三种 Transformer 变体，以进一步增强针对树结构建模的表示学习：自底向上 Transformer、自顶向下 Transformer和混合模型。四个基准数据集的结果证实了本文的方法优于其他模型，特别是在具有更复杂的响应上下文的树上得到了很好的结果。
对于未来的工作，除了响应关系之外，还可能包括其他类型的边/关系，以增强谣言检测，例如：“朋友/关注者”、“引用”、“提到” 等。还可以尝试调查图像或视频等非文本信息在谣言检测有效性方面的作用。