一、摘要

在社交媒体上的虚假信息检测具有挑战性，因为它通常需要烦冗的证据收集，但又缺乏可用的比较信息。从用户评论中挖掘出的线索作为群体智慧，可能对这项任务有相当大的好处。然而，考虑到内容和评论的隐式相关性，捕获复杂的语义是很简单的。虽然深度神经网络具有较好的表达能力，但缺乏可解释性是其主要的缺点。

本文主要关注如何从社交媒体上的帖子内容和相关评论中学习，以更有效地理解和检测虚假信息，并具有可解释性。因此，本文提出了一种基于量子概率的符号注意网络（QSAN），该网络将量子驱动的文本编码和一种新的符号注意机制集成在一个统一的框架中。

QSAN不仅能够区分重要的评论和其他的评论，而且还可以利用评论中相互冲突的社会观点来促进检测。此外，由于量子物理的实际意义和注意力权重，QSAN在模型透明度方面具有可解释性。在真实数据集上的大量实验表明，QSAN优于最先进的基线，并且可以提供不同类型的用户评论来解释为什么一条信息被检测为错误的。

二、内容

QSAN的创新是在虚假信息检测问题上结合之前的量子文本表示（基于复数的表示方法），设计了新颖的可解释的符号注意力网络。

下图为论文PPT总结。