基于二部临时事件树分层表示的谣言检测

基于摘要分析。本文研究社交媒体谣言检测，提出 BAET，通过帖子与作者两类事件树的分层表示，利用转发传播拓扑及转发作者信息，补充将转发内容视为时间序列的语义建模方式。 核心机制是将流传中的声明帖组织为临时事件树，提取事件元素，再构建作者树与帖子树。摘要描述了面向两类树的 word embedding 与 feature encoder，并以 root-aware attention 学习节点表示；随后使用树形 RNN 捕获结构关联，再通过 tree-aware attention 分别学习两类树的表示。其方法特点是显式建模传播结构和作者因素，而不只依赖转发文本的序列表示。具体特征定义、两类树的连接规则、表示融合方式及训练目标尚未验证。 作者报告，在两个公开 Twitter 数据集上，BAET 能有效利用谣言传播结构，检测表现优于所比较的先进基线。摘要未提供数据集名称、划分协议、指标、具体数值或基线名称，因此无法量化优势，也不能判断不同评估条件下的稳定性；实验协议、消融及统计信息尚未验证。 该方法依赖帖子、作者身份和传播关系所形成的树结构，主要研究对象并非神经信号。现有材料未建立这些结构与 EEG 通道、时间片段或被试关系之间的具体对应，因而不据此提出 BCI 迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。