谣言文本检测论文

1、英文文档翻译方法

论文查重的范围大部分都是中文文献，涉及到外文文献还是较少的，所以在网上找一些与自己论文相关的外文文献进行借鉴，这样也对自己有帮助。

2、“汉英汉”互换法

当你看到一篇中文文档中的几个段落不能用在你自己的文章中时，你只能花很多时间重写一个句子来重写，还是干脆放弃？先是中译英，然后英译中，通过自己的手动修改以及润色，注意要保持原文意思，不能改得面目全非。

3、原句转换法

很多学校基本用的是知网查重，虽然有的学校会提供查重机会，但是有限制的，所以很多人都是不断进行修改，并且还处于焦虑状态。

4、将其转换为“表格，图片”模式

一般图片是不会重复的，我们可以一目了然地把一个文本变成一个表单。或者在大量引用时，插入文本截图作为图片，然后设置图片的上下文格式，这样图片就能完全覆盖文本，看起来基本没差别，论文查重系统也无法检测出来，之后打印即可。

网页链接

在谣言检测研究方面，目前很少有基于谣言传播结构的方法。一些基于核的方法用来建模传播树的结构，通过对比树的相似性可以区分谣言和非谣言，但是不能直接分类一棵树，而是需要与其他树两两对比。 。 在本文中提出使用递归神经网络（Recursive Neural networks,RvNN）来建模和学习谣言的传播结构。RvNN本身用来学习段落或句子的语法和语义表示，与文本解析不同的是，我们模型的输入是一棵源自源推文的传播树，而不是单个句子的解析树，树的节点是一个响应的帖子而非单个词。通过沿着树形结构的递归特征学习过程，可以共同捕获帖子的内容语义及其之间的响应关系。 那么，为什么这种神经模型能更好地完成谣言检测任务呢？分析发现，推特可以通过用户分享观点、猜测和证据来“自我纠正”一些不准确的信息。举例来说，下图展示了一个假谣言和真谣言的传播树： 结构不敏感的方法基本上依赖于文本中不同立场的相对比例，在这样的线索不清晰的情况下，就不能很好地发挥作用。然而，可以看到，当一个帖子否认了虚假谣言时，往往会得到支持或肯定的回复，证实了谣言的否认；相反，对真实谣言的否认往往会引发质疑或否认。这一观察结果可能暗示了一个更普遍的假设，即回复者倾向于不同意(或质疑)那些支持虚假谣言或否认真实谣言的人，同时也倾向于同意那些否认虚假谣言或支持真实谣言的人。同时，一个回复，通常是响应其直接祖先（也就是所回复的帖子）而不是直接响应源推文（即传播树的根节点）。递归网络自然地对这些结构进行建模，以学习捕获谣言指示信号，并通过递归聚合来自不同分支的信号来增强其表示。 本文采用的RvNN模型分为两种，bottom-up(BN)模型和top-down(TD)模型，通过不同方式来表示传播树结构。这种架构的重要优点是，在给定传播树的所有路径的连接和方向的情况下，可以通过递归有选择地优化节点特征。 一个谣言检测数据集定义为集合 ，每个 包含源推文 以及所有按时间顺序排列的相关响应推文 ，也就是说 。需要注意的是，尽管推文是按时间顺序标注的，但它们之间基于回复或转发关系存在联系，可以形成传播树结构，并以 为根节点。谣言检测问题被定义为分类任务，也就是学习一个分类器 ， 属于四个细粒度的类：non-rumor,false rumor, true rumor和unverified rumor。 根据方向考虑的树结构分为两种： ①Bottom-up树的回复节点永远指向被回复的节点，叶子节点没有任何回复，用 表示，其中 ，对于节点 ， 存在表示 回复 ； ②Top-down树符合信息传播的方向， 表示信息从 流向 ， 看到了 并给 留下了一个回复。 RvNN的原始版本针对句子解析二叉树，每个节点表示的计算与其直接子节点关联在一起。举例来说，下图展示了RvNN的结构，对应图左边的解析树： 叶子节点是输入句子中词的word embedding。用 表示一个父亲节点，它的两个子节点为 和 ，那么父亲节点的表示的计算过程为 ， 是激活函数， 是参数，这个过程被在所有节点上递归地执行，学习到的节点表示可以被用来进行各种分类任务。 自下而上模型的核心思想是通过递归访问每个节点，从底部的叶子到顶部的根，为每个子树生成特征向量，最终聚合得到顶部根节点的表示作为树的全局表示。一棵传播树及其对应的RvNN计算过程如下图(a),(b)所示： 每个节点的表示是对应回复的tf-idf向量。在这里每个节点都有一个输入向量，并且节点的子节点数量不一定是相同的。在本文中选用拓展GRU作为隐层单元。使用 表示节点 的直接子节点集合，节点 的隐状态计算过程为： 是原始输入向量， 用来对 进行仿射变换， 是GRU的参数， 代表哈达玛积。不了解GRU可以参考： 人人都能看懂的GRU 。 最终使用根节点隐状态进行分类： Top-down RvNN旨在利用自顶向下树的结构来捕获用于对谣言进行分类的复杂传播模式，其计算过程如上图(c)所示。每个节点的表示是通过组合它自己的输入和它的父节点而不是子节点来计算的，这与Bottom-up模型不同。 使用 代表节点 的父亲节点，节点的隐状态计算过程如下： 然后对叶子节点的表示进行max-pooling得到 进行分类，这可以帮助从所有传播路径中捕获最有效的指示性特性： 我们可以推测，Top-down模型会更好。在Bottom-up的情况下最终的输出依赖于根节点的表示，并且它的信息损失比Top-down模型要大。因为在Top-down的情况下，通过不同传播路径嵌入到叶子节点的表示可以通过pooling进行整体地合并。 采用平方损失来训练并进行L2正则化： 是类别的数目。使用Adagrad进行训练，使用均匀分布初始化模型参数，词典大小为5000，隐层状态与embedding大小为100。 对比了多个baseline的效果： 谣言的早期检测测试： 下面是一个被Bottom-up和Top-down模型都检测到的一个假谣言的例子：

在百度收一下，不是没事知道了