基于对抗主动学习的异构图神经网络假新闻检测
社会与信息网络
2021-01-28 v1 计算机与社会
机器学习
摘要
假新闻的爆发式增长及其对政治、经济与公共安全的破坏性影响，提升了对假新闻检测的需求。社交媒体上的假新闻并非以文章形式独立存在。许多其他实体（如新闻创作者、新闻主题等）存在于社交媒体上并与新闻文章存在关联。不同实体与关系可被建模为异质信息网（HIN）。本文尝试在面向新闻的 HIN 支持下解决假新闻检测问题。我们提出一种新颖的假新闻检测框架，即基于对抗主动学习的异构图神经网络（AA-HGNN），其采用一种新颖的层次注意力机制在 HIN 中执行节点表示学习。AA-HGNN 利用主动学习框架提升学习性能，尤其在面临标注数据匮乏时。一个对抗选择器将被训练以为主动学习框架查询高价值候选。当对抗主动学习完成后，AA-HGNN 通过分类新闻文章节点来检测假新闻。基于两个真实世界假新闻数据集的实验表明，在利用更少标注数据（得益于对抗主动学习）时，我们的模型可优于基于文本的模型与其他基于图的模型。作为一个具有泛化性的模型，AA-HGNN 亦具备被广泛用于异质图上其他节点分类相关应用的能力。
引用
@article{arxiv.2101.11206,
title = {Adversarial Active Learning based Heterogeneous Graph Neural Network for Fake News Detection},
author = {Yuxiang Ren and Bo Wang and Jiawei Zhang and Yi Chang},
journal= {arXiv preprint arXiv:2101.11206},
year = {2021}
}
备注
Accepted by ICDM 2020. arXiv admin note: text overlap with arXiv:2002.04397