基于图评论高级学习的假新闻检测
社会与信息网络
2021-02-01 v2
摘要
虚假信息长期以来被视为严重的社会问题，其中假新闻是最具代表性的问题之一。更糟糕的是，当今高度发达的社交媒体使假新闻以惊人的速度广泛传播，给人类生活的各个方面带来巨大危害。然而，社交媒体的流行也为更好地检测假新闻提供了机会。与仅关注内容或用户评论的传统手段不同，有效协同异构社交媒体信息（包括新闻的内容与上下文因素、用户评论以及社交媒体与用户的互动）有望带来更好的假新闻检测。受上述观察启发，本文提出一种新颖的检测框架，即图评论-用户高级学习框架（GCAL）。用户-评论信息在假新闻检测中至关重要但研究不足。因此，我们基于异构图神经网络通过网络表示学习对用户-评论上下文进行建模。我们在两个真实世界数据集上开展实验，结果表明所提联合模型优于8种最先进的假新闻检测基线方法（准确率至少提升4%、召回率至少提升7%、F1至少提升5%）。此外，所提方法还具有可解释性。
引用
@article{arxiv.2011.01579,
title = {Fake News Detection through Graph Comment Advanced Learning},
author = {Hao Liao and Qixin Liu and Kai Shu and Xing xie},
journal= {arXiv preprint arXiv:2011.01579},
year = {2021}
}