简约风谣言检测算法流程插画素材

- **邻域波动特征提取Neighbor Fluctuation Modulation：**仅仅捕捉个体的静态情感状态是不够的，谣言的异常性往往体现为群体互动中的局部情感异质性。为了显式量化节点$i$与其局部领域$\mathcal{N}(i)$之间的“情感湍流”，我们设计了三种统计特征来从不同维度捕捉情感冲突：\Delta \mathbf{h}_i = \frac{1}{|\mathcal{N}(i)|} \sum_{j \in \mathcal{N}(i)} \|\mathbf{h}_j - \mathbf{h}_i\|_1 \in \mathbb{R}^d$ ,$\sigma_i = \sqrt{\frac{1}{|\mathcal{N}(i)|} \sum_{j \in \mathcal{N}(i)} \|\mathbf{h}_j - \boldsymbol{\mu}_i\|_2^2} ,$\max_{j \in \mathcal{N}(i)} \|\mathbf{h}_j - \mathbf{h}_i\|$这三个统计量分别度量了平均情感偏差、邻域情感方差以及最大冲突强度。我们将这些特征投影并与$h_i$拼接，形成波动增强的节点表示。- **波动感知的图聚合Edge Fluctuation Modulated GNN：**一般的图注意力网络（GATv2）通常倾向于平滑邻居特征，这可能会抹平谣言检测所必需的高频情绪冲突信号。为了在传播图聚合过程中保留并强调情感剧烈变化的路径，我们提出了一种边波动调制机制。首先，我们为每条边$（i,j）$计算一个综合波动得分$e_{ij}$。为了全面捕捉情感变化，我们融合了欧氏距离和余弦相似度，分别捕捉情绪向量的幅度偏差和方向不一致性。$e_{ij}=\tanh\left(\left\|\mathbf{h}_i - \mathbf{h}_j\right\|_2\right)\cdot\left(1 - \cos(\mathbf{h}_i, \mathbf{h}_j)\right)$该公式确保了当节点间情感强度差异大或情感极性相反（如“喜悦”对“愤怒”）时，$e_{ij}$趋向于最大值。帮我绘图