基于自我图重放的持续学习用于 misinformation 参与预测

在线社交网络平台存在 misinformation 问题。解决该问题的一种流行方法是使用基于机器学习的自动化 misinformation 检测系统来对帖子是否为 misinformation 进行分类。与事后检测不同，我们提出提前预测用户是否会参与 misinformation，并为此任务设计了一种基于自我图（ego-graph）的有效图神经网络分类器。然而，社交网络高度动态，反映了用户行为以及所发布内容的持续变化。这对于通常在静态训练数据集上训练的机器学习模型来说是有问题的，因此当社交网络发生变化时模型可能会过时。受持续学习在此类问题上成功的启发，我们提出了一种持续学习中的自我图重放策略（EgoCL），使用图神经网络来有效解决该问题。我们在两个 Twitter 数据集上针对十九个 misinformation 和阴谋论主题评估了我们的方法在用户参与 misinformation 上的性能。我们的实验结果表明，我们的方法 EgoCL 在预测准确性和计算资源方面优于当前最优（state of the art）方法。