‫تشخیص شایعه در سینا‪ ،‬ویبو‪ ،‬توییتر و سایر پلتفرم‌های رسانه اجتماعی به طور گسترده‌ای استفاده‬

‫می‌شود‪ .‬در سال‌های اخیر‪ ،‬روش‌های مبتنی بر مدل شبکه عصبی گراف عملکرد بهتری نسبت به‬
‫روش‌های سنتی در تشخیص شایعات داشته‌اند‪ .‬با این حال‪ ،‬در زندگی واقعی‪ ،‬ساختار گسترش شایعه‬
‫فرآیندی است که در طول زمان تغییر می‌کند‪ .‬قبالً‪ ،‬بیشتر محققان تنها ساختار گسترش نهایی را در نظر‬
‫می‌گرفتند و فرآیند تکامل پویای ساختار گسترش را مد نظر قرار نمی‌دادند‪ .‬برای حل این مشکل‪ ،‬این مقاله‬
‫یک روش تشخیص شایعات بر اساس شبکه توجه گراف زمانی پیشنهاد می‌دهد‪ .‬ابتدا‪ ،‬شبکه عصبی توجه‬
‫گراف برای یکجاگردانی ساختار گسترش و ویژگی‌های متنی شایعات استفاده می‌شود‪ ،‬سپس وضعیت‬
‫تاریخی ساختار گسترش با استفاده از مکانیزم توجه زمانی ثبت می‌شود‪ .‬سپس ویژگی‌های ساختار گسترش‬
‫با گیت واحد تکرار شونده (‪ )GRU‬در طول زمان ضبط می‌شوند‪ .‬در نهایت‪ ،‬روش پیشنهادی بر روی‬
‫مجموعه داده توییتر تأیید می‌شود‪ .‬نتایج تجربی نشان می‌دهد که روش پیشنهادی بهبود قابل توجهی در‬
‫تشخیص زودهنگام و دقت شایعات داشته است‪.‬‬
 ‫نویسنده یک روش تشخیص شایعات بر اساس شبکه توجه گراف زمانی پیشنهاد می‌دهد‪ .‬نسبت به‬
‫یادگیری و تلفیق ویژگی‌های مختلف برای تشخیص‪ ،‬این روش قادر است اطالعات زمان و سایر اطالعات‬
‫را بهتر حفظ کند‪ .‬این روش ساختار گسترش و ویژگی‌های متنی را از طریق یک شبکه عصبی توجه‬
‫گراف استخراج می‌کند‪ ،‬ساختار گسترش تاریخی را با استفاده از مکانیزم توجه زمانی ثبت می‌کند و سپس‬
‫ویژگی‌های ساختار گسترش تغییرات زمانی را از طریق واحد تکرار شونده با گیت (‪ )GRU‬ضبط می‌کند‪.‬‬
‫در نهایت‪ ،‬روش پیشنهادی بر روی مجموعه داده توییتر تأیید می‌شود‪ .‬نتایج تجربی نشان می‌دهد که روش‬
‫پیشنهادی بهبود قابل توجهی در تشخیص زودهنگام و دقت شایعات داشته است‪ .‬در کارهای بعدی‪ ،‬ما به‬
‫عوامل خارجی مؤثر بر تشخیص شایعات بیشتر توجه خواهیم کرد‪ .‬در عین حال‪ ،‬استفاده از شبکه عصبی‬
‫گراف در تشخیص شایعات نیز جهتی مورد امید است‪.‬‬