基于图神经网络的可证据感知假新闻检测

假新闻的泛滥与危害已成为互联网上的关键问题，这反过来又推动了自动假新闻检测的发展。本文关注基于证据的假新闻检测，即利用若干证据来探查新闻（即一条声明）的真实性。以往多数方法首先采用序列模型嵌入语义信息，再基于不同注意力机制捕捉声明与证据间的交互。尽管有效，它们仍存在两个主要缺陷：其一，由于序列模型的固有缺陷，它们无法整合分散在证据中相距较远的相关信息以核验真实性；其二，它们忽略了证据中包含的大量冗余信息，这些信息可能无用甚至有害。为解决这些问题，我们提出一个统一的基于图的语义结构挖掘框架，简称 GET。具体而言，不同于将声明与证据视为序列的现有工作，我们将它们建模为图结构数据，并通过邻域传播捕捉分散相关片段间的长距离语义依赖。在获得上下文语义信息后，我们的模型通过图结构学习降低信息冗余。最后，细粒度语义表示被送入下游声明—证据交互模块进行预测。综合实验证明了 GET 相对于当前最优方法的优越性。