面向虚假新闻检测的高级文本分析——基于图神经网络的方法
机器学习
2025-02-27 v1 计算与语言
摘要
传统的图神经网络 (GNN) 方法进行虚假新闻检测 (FND) 通常依赖于用户交互历史或内容传播模式等辅助、非文本数据。然而，这些数据源并非总是可用地，这限制了此类方法的有效性和适用性。此外，现有模型常常难以捕捉文本信息中细致而复杂的关系，降低整体准确率。为此本文提出了高级文本分析图神经网络 (ATA-GNN)。该模型设计为仅基于文本数据运行。ATA-GNN 采用创新的主题建模（聚类）技术识别每个主题的典型词汇，利用多维聚类实现对文本的全面语义理解。这种多层次设计使模型能够在更广阔的语义框架内揭示文本中复杂的模式，从而显著提升其解释能力。在广泛使用的基准数据集上的大规模评估表明，ATA-GNN 在当前 GNN-based FND 方法的性能方面均取得了优异成绩。这些发现验证了将高级文本聚类集成到 GNN 架构中以实现更可靠、以文本为中心的检测解决方案的潜力。
引用
@article{arxiv.2502.16157,
title = {Advanced Text Analytics -- Graph Neural Network for Fake News Detection in Social Media},
author = {Anantram Patel and Vijay Kumar Sutrakar},
journal= {arXiv preprint arXiv:2502.16157},
year = {2025}
}