DECOR：用于假新闻检测的度修正社交图精炼方法
社会与信息网络
2023-07-04 v1
摘要
近期假新闻检测方面的研究见证了利用图神经网络（GNNs）挖掘丰富社交语境的兴趣激增。现有研究普遍依赖固定图结构，假定图准确刻画了相关社交参与。然而，边噪声在真实世界图中仍是关键挑战，因为在次优结构上训练会严重限制 GNNs 的表达能力。尽管图结构学习（GSL）已有初步尝试，先前工作常借助节点特征更新边权重，导致沉重计算开销，阻碍了方法在大规模社交图上的适用性。本工作中，我们以社交图精炼的新视角处理假新闻检测问题。我们发现新闻文章节点的度呈现出 distinctive 模式，可指示新闻真实性。基于此，我们提出 DECOR，一种将度修正随机块模型应用于假新闻检测问题的新颖方法。具体而言，我们将经验观察封装为一个轻量级社交图精炼组件，通过可学习的度修正掩码迭代更新边权重，从而可与基于 GNN 的检测器联合优化。在两个真实世界基准上的大量实验验证了 DECOR 的有效性与高效性。
引用
@article{arxiv.2307.00077,
title = {DECOR: Degree-Corrected Social Graph Refinement for Fake News Detection},
author = {Jiaying Wu and Bryan Hooi},
journal= {arXiv preprint arXiv:2307.00077},
year = {2023}
}
备注
Accepted to KDD 2023 (Research Track)