基于半监督图卷积网络的假新闻检测

由于其数据分发的快速性与低成本，社交媒体已成为人们获取和利用新闻的主要途径。然而，社交媒体平台的此类特征也使其成为假新闻传播的源头，对人与文化造成不利后果。因此，检测假新闻已成为重要研究兴趣，以带来可行的实时解决方案。当前多数假新闻识别技术为有监督的，需在时间与精力上付出较大代价以制作明确标注的数据集。所提框架聚焦于基于文本的假新闻项检测，同时考虑仅有有限数量标签可用。图因其易于结构化事物的特性，在现实问题的多种用途下被广泛使用。深度神经网络在利用图分类的任务中产生了优异结果。图卷积网络（GCN）作为一种作用于图上的深度学习范式工作。我们提出的框架处理少量标注数据；我们采用半监督学习方法。我们提出了一种基于 GCN（图卷积网络）的半监督假新闻检测技术。所推荐的架构包含三个基本组件：利用 GloVe 从数据集新闻文章中提取词嵌入，使用词移动距离（WMD）构建相似度图，最终应用图卷积网络（GCN）以半监督范式对新闻文章进行二分类。所实现的技术在三个不同数据集上通过变化标注数据量进行验证，在 Real or Fake 数据集上取得 95.27% 的最高准确率。与同期其他技术的比较也印证了所提框架的优越性。