基于大语言模型的对比自监督AMR学习与掩码图自编码器用于虚假新闻检测
计算与语言
2025-08-27 v1 社会与信息网络
摘要
数字时代错误信息的泛滥已导致重大的社会挑战。现有方法常常难以捕捉长距离依赖、复杂的语义关系以及影响新闻传播的社会动态。此外，这些方法需要大量标注数据集，使得其部署资源密集。在本研究中，我们提出了一种新颖的自监督错误信息检测框架，该框架结合了使用抽象语义表示（AMR）的复杂语义关系和新闻传播动态。我们引入了一种基于大语言模型的图对比损失（LGCL），它利用大语言模型（LLM）生成的负锚点，以零样本的方式增强特征可分离性。为了融入社会上下文，我们采用了一个多视图图掩码自编码器，它从社会上下文图中学习新闻传播特征。通过结合这些基于语义和传播的特征，我们的方法以自监督的方式有效地区分了假新闻和真实新闻。大量实验表明，即使在标注数据集有限的情况下，我们的自监督框架也取得了优于其他最先进方法的性能，同时提高了泛化能力。
引用
@article{arxiv.2508.18819,
title = {LLM-based Contrastive Self-Supervised AMR Learning with Masked Graph Autoencoders for Fake News Detection},
author = {Shubham Gupta and Shraban Kumar Chatterjee and Suman Kundu},
journal= {arXiv preprint arXiv:2508.18819},
year = {2025}
}