基于图神经网络的对抗对比学习用于证据感知的假新闻检测

假新闻的泛滥与危害已成为互联网上的一个关键问题，这反过来促进了自动假新闻检测技术的发展。本文聚焦于基于证据的假新闻检测，其中利用若干证据来探究新闻（即声明）的真实性。以往的大多数方法首先采用序列模型嵌入语义信息，然后基于注意力机制捕捉声明-证据交互。尽管这些方法有效，但仍存在三个弱点。首先，序列模型无法整合证据中相距甚远的关联信息。其次，它们低估了证据中大量冗余信息可能无用甚至有害的事实。第三，数据利用不充分限制了模型所获表示的可分性与可靠性。为解决这些问题，我们提出了一种统一的基于图的语义结构挖掘框架结合对比学习，简称 GETRAL。具体而言，我们首先将声明和证据建模为图结构数据，以捕捉长距离语义依赖。随后，通过执行图结构学习来减少信息冗余。接着，将细粒度的语义表示输入声明-证据交互模块进行预测。最后，应用对抗对比学习模块以充分利用数据并强化表示学习。大量实验证明了 GETRAL 优于现有最优方法，并验证了利用图结构和对比学习进行语义挖掘的有效性。