类型a：学术研究报告

作者及机构
本研究的作者包括Wei Jiang、Tong Chen、Xinyi Gao（均来自澳大利亚昆士兰大学）、Wentao Zhang（北京大学）、Lizhen Cui（山东大学）以及通讯作者Hongzhi Yin（昆士兰大学）。该研究发表于2025年的ACM Web Conference（WWW ‘25），论文标题为《Epidemiology-Informed Network for Robust Rumor Detection》。

学术背景
研究领域为社交媒体中的谣言检测（rumor detection），属于数据挖掘（data mining）与图神经网络（Graph Neural Networks, GNNs）的交叉领域。社交媒体的普及加速了虚假信息的传播，传统基于文本的谣言检测方法（如RNN、CNN、Transformer）仅依赖语言特征，而忽略了信息传播的结构模式。近年来，图神经网络被用于建模谣言的传播树（propagation tree），但其性能受限于传播树的深度：浅层树因交互数据不足导致特征提取困难，深层树则因用户响应噪声干扰预测准确性。

为解决这一问题，本研究提出了一种结合流行病学（epidemiology）理论的框架——流行病学信息网络（Epidemiology-Informed Network, EIN），通过模拟谣言传播的动态过程（如未知、支持、否认三种状态转换）增强模型鲁棒性。研究目标包括：（1）揭示现有图神经网络模型在不同传播树深度下的性能缺陷；（2）设计一种融合流行病学原理的通用框架，兼容现有图基检测器；（3）利用大语言模型（Large Language Model, LLM）生成用户立场标签（stance labels），避免人工标注成本。

研究流程
1. 问题定义与数据集构建
- 将谣言检测建模为二分类任务，输入为传播树 ( G_i = {V_i, E_i, X_i} )，其中 ( V_i ) 为节点（帖子），( E_i ) 为边（交互关系），( X_i ) 为节点特征（Word2Vec嵌入）。
- 使用三个公开数据集：DRWeibo（6037条）、Weibo（4664条）、PHEME（5748条），覆盖中英文，按6:2:2划分训练/验证/测试集。

1. 流行病学模型设计

   • 提出环境未知-支持-否认模型（Environmental Unknown-Support-Denial, EUSD），其微分方程描述状态转换：
     [ \frac{dU}{dt} = -\alpha U e - \beta U e, \quad \frac{dS}{dt} = \alpha U e, \quad \frac{dD}{dt} = \beta U e ]
     其中 ( \alpha, \beta ) 为转移概率，( e ) 为根帖环境影响率（简化为1）。
     
   • 离散化模型并编码为状态嵌入（( U_t, S_t, D_t )），通过可学习参数 ( W_u, W_s, W_d ) 迭代更新。
     

2. LLM辅助立场标注

   • 使用Gemma 2-9B生成用户响应帖的立场标签（正面/负面），通过算法1构建传播路径上的状态标签（支持/否认）。例如：若父节点为根帖，直接映射立场；否则通过异或操作继承父节点状态。
     
   • 标注仅用于训练阶段，避免推理时的计算开销。
     

3. 联合优化与模型集成

   • 将流行病学嵌入 ( x_g ) 与图神经网络（如BiGCN、ResGCN）的数据驱动嵌入 ( x_f ) 融合，通过KL散度损失 ( \mathcal{L}_p ) 约束状态分布匹配，总损失为 ( \mathcal{L} = \mathcal{L}_r + \lambda \mathcal{L}_p )。
     
   • 超参数：( \alpha, \beta ) 初始化为0.5，( \lambda ) 根据数据集调整（DRWeibo:1, PHEME:0.5）。
     

主要结果
1. 整体性能对比
- EIN在三个数据集上均超越基线模型（如RAGCL、ResGCN），准确率最高提升2.71%（DRWeibo:88.01% vs. 85.28% GCN），F1-score最高提升3.64%（PHEME:76.45% vs. 72.81%）。
- 消融实验显示，EUSD模型比传统USD模型更优（DRWeibo F1提升0.43%），验证了环境因子的必要性。

1. 传播树深度鲁棒性

   • 在浅层树（深度=1）中，EIN通过流行病学先验弥补数据不足（Weibo准确率95.16%）；在深层树（深度>5）中，噪声抑制能力显著（PHEME F1提升4.93%）。
     
   • 图1显示RAGCL在浅层树表现较好，而ResGCN擅长深层树，但EIN在所有深度均稳定。
     

2. 案例研究

   • 图7展示非谣言（如样本494）的支持状态占比显著高于谣言（如样本814），证实EIN能有效捕捉语义演化模式。
     

结论与价值
1. 科学价值
- 首次将流行病学动态系统与图神经网络结合，为谣言检测提供可解释的建模框架。
- 提出LLM生成伪标签的轻量级解决方案，减少人工标注依赖。

1. 应用价值
   
   • 适用于早期谣言检测（稀疏交互）和热点事件（高噪声）场景，可部署于社交平台内容审核系统。
     
   • 代码开源（GitHub仓库），支持后续研究扩展。
     

亮点与创新
1. 方法创新：EUSD模型首次引入环境因子（根帖影响），更贴合社交媒体传播特性。
2. 技术整合：联合LLM与GNN，平衡先验知识与数据驱动学习的优势。
3. 泛化性：框架兼容任意图基检测器，实验验证其在BiGCN、ResGCN上的普适提升。

其他价值
- 附录A详细设计LLM提示模板，确保立场标注一致性；附录B通过案例可视化状态演化过程，增强可解释性。
- 研究受澳大利亚研究理事会（ARC）多项基金支持，包括Future Fellowship和Discovery Project。