知识增强的多模态假新闻检测

近年来，各类假新闻造成了严重的危害。尽管在解决这一问题上付出了相当大的努力，并且在假新闻检测方面取得了很大进展，但现有的大多数方法主要依赖于文本内容和/或社交语境，而知识层面的信息——从新闻内容中提取的实体及其之间的关系——却很少被探索。在基于知识的假新闻检测的有限工作中，通常需要外部知识图谱，这可能会引入额外的问题：在现有的知识图谱中，实体和关系（尤其是关于新概念的实体和关系）缺失是非常普遍的，而且实体预测和链接预测本身也是开放的研究问题。因此，在这项工作中，我们研究**不需要任何外部知识图谱的基于知识的假新闻检测。** 具体而言，我们的贡献包括：（1）将假新闻检测问题转化为子图分类任务——从每条新闻中提取实体和关系以形成单一知识图谱，其中一条新闻由一个子图表示。然后训练图神经网络（GNN）模型对每个子图/新闻进行分类。（2）通过一种简单但有效的多模态技术，结合提取的知识、文本内容和社交语境，进一步提高该模型的性能。在包含数千条标注新闻的多个数据集上的实验表明，我们基于知识的算法优于现有的同类方法，并且其性能可以通过多模态方法得到进一步提升。