基于社交潜在网络推断的复杂异构多模态假新闻学习

随着在线社交平台的多样化，新闻传播变得越来越复杂、异构和多模态，这使得假新闻检测任务更加具有挑战性和重要性。以往的工作主要关注通过转发获取新闻的社交关系，限制了在实际级联不可及时进行准确检测的能力。鉴于事件传播影响力评估的已知作用，本文提出一种称为HML（Complex Heterogeneous Multimodal Fake News Detection method via Latent Network Inference）的方法。具体而言，设计了一种改进的社交潜在网络推断策略，用于估计同一事件下新闻影响的最大似然值。同时，基于社交属性构建了一种用于不同事件下多模态新闻的异构图。进一步，为更好地聚合异构多模态特征之间的关系，本文提出了一种基于自监督的多模态内容学习策略，以增强、对齐、融合和比较异构模态内容。基于上述方法，设计了一种针对性的异构图表示学习方法，用于分类假新闻。大量实验表明，所提方法在真实社交媒体新闻数据集上超越了当前最好的SOTA方法。