用于多类假新闻检测的基于决策的异构图注意力网络
机器学习
2025-01-08 v1 人工智能
社会与信息网络
摘要
图神经网络（GNN）是解决假新闻检测的有前景工具。然而，大多数现有的基于 GNN 的方法依赖于二元分类，将新闻分类为真实或虚假。此外，传统 GNN 模型对每个节点使用静态邻域，使其容易受到过度挤压等问题的影响。在本文中，我们引入了一种名为基于决策的异构图注意力网络（DHGAT）的新模型，用于在半监督环境下进行假新闻检测。DHGAT 通过在每一层中为每个节点动态优化和选择邻域类型，有效解决了传统 GNN 的局限性。它将新闻数据表示为由各种类型边连接节点（新闻项）的异构图。DHGAT 的架构由一个确定最优邻域类型的决策网络和一个基于该选择更新节点嵌入的表示网络组成。因此，每个节点学习到一个最优且特定于任务的计算图，从而提高了假新闻检测过程的准确性和效率。我们在 LIAR 数据集上评估了 DHGAT，这是一个用于多类假新闻检测的大型且具有挑战性的数据集，包含分为六个类别的新闻项。我们的结果表明，DHGAT 优于现有方法，准确率提高了约 4%，并在标记数据有限的情况下表现出鲁棒性。
引用
@article{arxiv.2501.03290,
title = {A Decision-Based Heterogenous Graph Attention Network for Multi-Class Fake News Detection},
author = {Batool Lakzaei and Mostafa Haghir Chehreghani and Alireza Bagheri},
journal= {arXiv preprint arXiv:2501.03290},
year = {2025}
}