基于深度迁移网络的Twitter谣言检测研究 *

刘勘,杜好宸

Detecting Twitter Rumors with Deep Transfer Network

Kan Liu,Haochen Du

表5 与其他学习方法的比对结果

目标领域 建模方式 Precision Recall F1 Food 深度迁移学习(P>>F) 0.814 0.822 0.818 深度迁移学习(N>>F) 0.869 0.872 0.870 SVM(有监督学习) 0.881 0.875 0.878 LR(有监督学习) 0.873 0.869 0.871 Multi-AN(无监督学习) 0.802 0.801 0.801 RNN+AN(无监督学习) 0.823 0.813 0.818 History 深度迁移学习(P>>H) 0.874 0.869 0.871 深度迁移学习(N>>H) 0.865 0.872 0.868 SVM(有监督学习) 0.903 0.890 0.896 LR(有监督学习) 0.873 0.865 0.869 Multi-AN(无监督学习) 0.869 0.871 0.870 RNN+AN(无监督学习) 0.882 0.862 0.872 Business 深度迁移网络(P>>B) 0.901 0.895 0.898 深度迁移网络(N>>B) 0.904 0.884 0.894 SVM(有监督学习) 0.913 0.906 0.909 LR(有监督学习) 0.907 0.901 0.904 Multi-AN(无监督学习) 0.824 0.819 0.821 RNN+AN(无监督学习) 0.831 0.826 0.828