一、摘要
在社交媒體上的虛假資訊檢測具有挑戰性，因為它通常需要煩冗的證據收集，但又缺乏可用的比較資訊。從使用者評論中挖掘出的線索作為群體智慧，可能對這項任務有相當大的好處。然而，考慮到內容和評論的隱式相關性，捕獲複雜的語義是很簡單的。雖然深度神經網路具有較好的表達能力，但缺乏可解釋性是其主要的缺點。
本文主要關注如何從社交媒體上的帖子內容和相關評論中學習，以更有效地理解和檢測虛假資訊，並具有可解釋性。因此，本文提出了一種基於量子機率的符號注意網路（QSAN），該網路將量子驅動的文字編碼和一種新的符號注意機制整合在一個統一的框架中。
QSAN不僅能夠區分重要的評論和其他的評論，而且還可以利用評論中相互衝突的社會觀點來促進檢測。此外，由於量子物理的實際意義和注意力權重，QSAN在模型透明度方面具有可解釋性。在真實資料集上的大量實驗表明，QSAN優於最先進的基線，並且可以提供不同型別的使用者評論來解釋為什麼一條資訊被檢測為錯誤的。
二、內容
QSAN的創新是在虛假資訊檢測問題上結合之前的量子文字表示（基於複數的表示方法），設計了新穎的可解釋的符號注意力網路。
下圖為論文PPT總結。
