基于异质知识图谱的科学新闻文章表示学习
社会与信息网络
2021-04-14 v1 机器学习
摘要
在 misinformation（虚假信息）和信息膨胀的时代，对所产生新闻的可信度评估至关重要。然而，考虑到新闻中呈现的有限参考文献，事实核查可能具有挑战性。这一挑战可通过利用与新闻文章相关的知识图谱来克服。在本工作中，我们提出了一种通过建模科学新闻文章与所引用科学出版物之间的有向图来创建科学新闻文章表示的方法。用于实验的网络由科学新闻文章、其主题、被引用的研究文献及其相应作者组成。我们实现并展示了三种不同方法：1）基线关系图卷积网络（R-GCN），2）异质图神经网络（HetGNN）和3）异质图Transformer（HGT）。我们在以下下游链接预测任务中测试这些模型：a）新闻文章-论文链接和 b）新闻文章-文章主题链接。结果显示图神经网络方法在知识追踪和科学新闻可信度评估领域具有有前景的应用。
引用
@article{arxiv.2104.05866,
title = {On Representation Learning for Scientific News Articles Using Heterogeneous Knowledge Graphs},
author = {Angelika Romanou and Panayiotis Smeros and Karl Aberer},
journal= {arXiv preprint arXiv:2104.05866},
year = {2021}
}