基于图-序列模型的假新闻检测：广泛语义建模

假新闻在社交媒体上的快速传播威胁到社会稳定，迫切需要更有效的检测方法。虽然已涌现出许多有前景的方法，但大多数依赖内容分析，语义深度有限，导致对新闻内容的理解不足。为解决这一局限性，捕获更广范围的语义具有必要性又具有挑战性，因为这会引入两种主要类型的噪声：完全连接新闻图中的句子常会添加不必要的结构噪声，而高度相似但与真实性无关的句子则引入特征噪声，使检测过程复杂化。为解决这些问题，我们提出了BREAK，这是一种用于假新闻检测的广泛语义模型，利用完全连接图捕获全面语义，同时采用双重去噪模块最小化两种噪声。语义结构去噪模块通过在序列基结构（下界）和完全连接图（上界）之间进行迭代细化来平衡图的连通性。这种细化揭示了与标签相关的语义关联结构。与此同时，语义特征去噪模块通过多样化表示来减少相似语义的噪声，将去噪后的图和序列编码器的不同输出使用KL散度对齐，以实现高维空间中的特征多样化。两个模块在双层框架中联合优化，增强了去噪语义在综合表示中的集成，以用于检测。在四个数据集上的大量实验表明，BREAK显著优于现有的假新闻检测方法。