基于几何深度学习的社交媒体假新闻检测
社会与信息网络
2019-02-19 v1 机器学习
机器学习
摘要
由于其低成本、易获取和快速传播，社交媒体如今成为全球数百万人的主要新闻来源之一。然而，这以可信度存疑和暴露于“假新闻”（有意撰写以误导读者）的重大风险为代价。自动检测假新闻带来的挑战令现有基于内容的分析方法难以应对。主要原因之一是新闻的解读常需政治或社会背景或“常识”知识，而当前 NLP 算法仍缺乏此类知识。近期研究表明，假新闻与真实新闻在社交媒体上传播方式不同，形成可用于自动假新闻检测的传播模式。与基于内容的方法相比，基于传播的方法具有多项优势，其中包括语言独立性和对对抗攻击更好的鲁棒性。本文提出一种基于几何深度学习的新型自动假新闻检测模型。其核心算法是经典 CNN 在图上的推广，允许融合异构数据如内容、用户档案与活动、社交图以及新闻传播。我们的模型在经专业事实核查组织验证、于 Twitter 上传播的新闻故事上训练与测试。实验表明，社交网络结构与传播是重要的特征，可实现高准确率（92.7% ROC AUC）的假新闻检测。其次，我们观察到假新闻在传播仅几小时后即可在早期可靠检测。第三，我们在按时间分隔的训练与测试数据上检验了模型的时效性。结果指向基于传播的方法作为基于内容方法的替代或补充策略用于假新闻检测的前景。
引用
@article{arxiv.1902.06673,
title = {Fake News Detection on Social Media using Geometric Deep Learning},
author = {Federico Monti and Fabrizio Frasca and Davide Eynard and Damon Mannion and Michael M. Bronstein},
journal= {arXiv preprint arXiv:1902.06673},
year = {2019}
}