DEAP-FAKED：基于知识图谱的假新闻检测方法
计算与语言
2022-11-28 v3 人工智能
摘要
社交媒体平台上的假新闻近来备受关注，主要涉及政治（2016 年美国总统大选）、医疗（COVID-19 期间的 infodemic）等事件。已有多种假新闻检测方法被提出，涵盖网络分析、自然语言处理（NLP）以及图神经网络（GNN）等技术。本文提出 DEAP-FAKED，一种用于识别假新闻的知D识E图A谱P假F新A闻K检E测D框架。我们的方法结合 NLP（对新闻内容编码）与 GNN 技术（对知识图谱（KG）编码），多种编码方式为检测器提供互补优势。我们使用两个公开数据集（含政治、商业、科技与医疗领域文章）评估框架。作为数据预处理的一部分，我们去除如文章来源等可能影响模型表现的偏差。DEAP-FAKED 在两个数据集上分别取得 88% 与 78% 的 F1 值，较之前分别提升 21% 与 3%，显示了方法的有效性。
引用
@article{arxiv.2107.10648,
title = {DEAP-FAKED: Knowledge Graph based Approach for Fake News Detection},
author = {Mohit Mayank and Shakshi Sharma and Rajesh Sharma},
journal= {arXiv preprint arXiv:2107.10648},
year = {2022}
}
备注
Accepted at IEEE/ACM International Conference on Advances in Social Networks Analysis and Mining (ASONAM) 2022