利用图神经网络与NLP技术进行社交媒体假新闻检测：一项COVID-19用例
计算与语言
2020-12-15 v1
摘要
本文呈现我们针对MediaEval 2020任务（即FakeNews：基于冠状病毒与5G阴谋多媒体Twitter数据的分析）的解决方案。该任务旨在分析与COVID-19及5G阴谋论相关的推文以检测 misinformation 传播者。任务由两子任务组成，即(i)基于文本的与(ii)基于结构的假新闻检测。对首任务，我们提出六种依赖词袋(BoW)与BERT嵌入的不同方案。其中三种方法旨在通过区分5G阴谋推文与其余COVID-19相关推文来完成二分类任务，其余则将该任务视为三分类问题。在三分类任务中，我们基于BoW与BERT的方法在开发集上分别取得.606%与.566%的F1分数。在二分类上，基于BoW与BERT的方案分别取得.666%与.693%的平均F1分数。另一方面，对于基于结构的假新闻检测，我们依赖图神经网络(GNNs)，在开发集上取得.95%的平均ROC。
引用
@article{arxiv.2012.07517,
title = {Fake News Detection in Social Media using Graph Neural Networks and NLP Techniques: A COVID-19 Use-case},
author = {Abdullah Hamid and Nasrullah Shiekh and Naina Said and Kashif Ahmad and Asma Gul and Laiq Hassan and Ala Al-Fuqaha},
journal= {arXiv preprint arXiv:2012.07517},
year = {2020}
}
备注
3 pages