结合持续学习的图神经网络用于社交媒体假新闻检测
社会与信息网络
2020-08-17 v2 机器学习
摘要
尽管事实核查已被大量投入,社交媒体上假新闻的盛行——其对司法、公众信任和我们的社会有深远影响——仍是一个严重问题。本工作中,我们关注基于传播的假新闻检测,因为近期研究表明假新闻和真实新闻在网上的传播方式不同。具体而言,考虑到图神经网络(GNNs)处理非欧几里得数据的能力,我们使用GNNs来区分社交媒体上假新闻和真实新闻的传播模式。我们特别关注两个问题:(1) 在不依赖任何文本信息(如推文内容、回复和用户描述)的情况下,GNNs能多准确地识别假新闻?机器学习模型已知易受对抗攻击,避免对基于文本特征的依赖可使模型不易受高级假新闻制造者的操纵。(2) 如何处理新的、未见过的数据?换言之,在给定数据集上训练的GNN在新且可能差异极大的数据集上表现如何?若表现不佳,我们如何在不从头在整个数据上重新训练模型的情况下解决该问题?我们在两个含数千条标注新闻项的数据集上研究上述问题,结果表明:(1) 无任何文本信息的GNNs可达到与最先进方法相当或更优的性能。(2) 在给定数据集上训练的GNNs在新未见过数据上可能表现差,且直接增量训练不能解决该问题——这一问题在先前应用GNNs进行假新闻检测的工作中未被解决。为解决问题,我们提出一种方法,通过使用持续学习技术增量训练GNNs,在已有和新数据集上均取得平衡性能。
引用
@article{arxiv.2007.03316,
title = {Graph Neural Networks with Continual Learning for Fake News Detection from Social Media},
author = {Yi Han and Shanika Karunasekera and Christopher Leckie},
journal= {arXiv preprint arXiv:2007.03316},
year = {2020}
}
备注
9 pages, 7 figures, 2 tables