基于邻域顺序学习的图注意力网络用于假新闻检测

假新闻检测是数字时代面临的重大挑战，随着社交媒体和在线通信网络的普及，变得愈发重要。基于图神经网络 (GNN) 的方法在分析用于此问题的图结构数据方面展现出巨大的潜力。然而，传统 GNN 架构的一个主要局限是无法有效利用网络层深度之外的邻居信息，这会降低模型的准确性和有效性。本文提出了一种新型模型，称为 Neighborhood-Order Learning Graph Attention Network (NOL-GAT)，用于假新闻检测。该模型允许每个节点在每个层上独立学习其最优邻域顺序，从而 purposefully and efficiently 从遥远的邻居中提取关键信息。NOL-GAT 架构由两个主要组件构成：一个确定最优邻域顺序的 Hop Network，以及一个利用这些最优邻域更新节点嵌入的 Embedding Network。为评估模型性能，在各种假新闻数据集上进行了实验。结果表明，NOL-GAT 在准确率和 F1 分数等指标上显著优于基线模型，尤其在标注数据有限的场景中表现尤为突出。诸如缓解过度压扁问题、改善信息流和降低计算复杂度等特征进一步凸显了所提出模型的优势。