RAGAT-Mind: 基于多粒度建模的谣言检测方法

概述

本项目实现了 RAGAT-Mind 模型，一种用于中文社交媒体谣言检测的多粒度建模方法。该模型结合了 TextCNN 提取局部特征、GRU 捕捉时序依赖、多头自注意力（MHA）聚合全局特征，以及 双向图卷积网络（BiGCN）用于结构化的词共现学习。该模型基于 MindSpore 深度学习框架进行实现。

数据集

本模型在 Weibo1-Rumor 数据集上进行了评估。该数据集包含来自微博的实际社交媒体文本，总共有 3,387 条样本（1,538 条谣言和 1,849 条非谣言）。数据集被划分为训练集（80%）和测试集（20%）。预处理步骤包括分词、词汇索引化以及构建图卷积所需的邻接矩阵。

网络架构

RAGAT-Mind 模型包括以下几个核心模块：

1. TextCNN：使用多种卷积核提取局部n-gram语义特征。
2. GRU：建模文本中的时序依赖，增强模型对语境变化的感知。
3. MHA：通过多头自注意力机制提升模型对重要语义区域的关注，增强全局语义建模。
4. BiGCN：通过双向图卷积网络（BiGCN）学习词共现图的结构化依赖。
5. 融合层：将语义路径和结构路径的输出进行拼接，形成统一的特征表示，用于最终分类。

训练步骤

1. 数据加载：从指定路径加载 Weibo1-Rumor 数据集，并进行数据增强处理。
2. 模型训练：使用 Adam 优化器，训练 50 个 epoch，并在每个 epoch 结束时计算训练集和验证集的评估指标，包括准确率、精确度、召回率和 F1 分数。
3. 保存训练结果：训练过程中，所有的训练和验证指标会被记录并保存到 training_results.txt 文件中。

训练结果

输出内容

每个 epoch 结束时，训练过程和验证过程的结果分别输出并保存。输出内容包括：

• 训练集：

  • 损失值（Loss）
  • 准确率（Accuracy）
  • 精确度（Precision）
  • 召回率（Recall）
  • F1 分数（F1-Score）
  • 训练时间（Training Time）

• 验证集：

  • 测试准确率（Test Accuracy）
  • 测试精确度（Test Precision）
  • 测试召回率（Test Recall）
  • 测试 F1 分数（Test F1-Score）

性能比较

我们与多种基线模型进行了对比实验，包括 TextCNN、GRU-ATT、TextGCN 和 BERT-FT 等。性能比较的评估指标包括准确率、精确度、召回率、宏平均F1和推理延迟时间。RAGAT-Mind 在准确率和宏平均F1方面显著优于所有基线模型，达到了 99.2% 的测试准确率和 0.9919 的宏平均F1分数。

---

注意: 训练和测试结果将保存在 training_results.txt 文件中。