GREENER：用于新闻媒体画像的图神经网络
机器学习
2022-11-11 v1 人工智能
计算与语言
摘要
我们研究了关于网络新闻媒体的事实报道准确性和偏见的画像构建问题。这是一个重要但研究不足的、与虚假信息和“假新闻”检测相关的问题，但与审视单篇文章或单个声明相比，它在更粗的粒度上解决该问题。这很有用，因为它允许预先对整个媒体机构进行画像构建。以往的工作主要关注文本（例如，目标网站发布的文章文本，或其社交媒体资料或维基百科中的文本描述），与此不同，本文的主要重点是基于受众重叠度对媒体机构之间的相似性进行建模。这源于同质性考虑，即人们倾向于与兴趣相似的人建立联系，我们将其扩展到媒体上，假设相似类型的媒体会被相似类型的用户阅读。具体而言，我们提出了GREENER（用于新闻媒体画像的图神经网络），该模型基于受众重叠度构建媒体间连接图，然后使用图神经网络来表示每个媒体。我们发现，这种表示对于预测新闻媒体机构的事实准确性和偏见非常有用，在两个数据集上取得了优于最先进结果的改进。当加入从新闻文章、Twitter、YouTube、Facebook和Wikipedia中获取的常规使用的表示时，这两个任务的预测准确率提高了2.5-27个宏F1（macro-F1）百分点。
引用
@article{arxiv.2211.05533,
title = {GREENER: Graph Neural Networks for News Media Profiling},
author = {Panayot Panayotov and Utsav Shukla and Husrev Taha Sencar and Mohamed Nabeel and Preslav Nakov},
journal= {arXiv preprint arXiv:2211.05533},
year = {2022}
}