面向稳健虚假新闻检测的传播结构-语义迁移学习

虚假新闻通常指为欺骗他人而刻意传播的虚假信息，对社会产生不利影响。现有的虚假新闻检测方法主要从新闻内容中学习语义特征，或整合传播结构中的结构特征。然而，在实际场景中，由于非正式语言的语义模糊以及社交媒体上不可靠的用户互动行为，新闻内容和传播结构中都存在内在的语义噪声和结构噪声。虽然一些近期研究以混合建模方式考虑无关用户交互的影响，但仍因结构噪声与语义噪声之间的相互干扰，导致检测鲁棒性受限。为缓解此问题，本文提出一种面向稳健虚假新闻检测的传播结构-语义迁移学习框架（PSS-TL），采用教师-学生架构。具体而言，我们设计双重教师模型分别从噪声新闻内容和传播结构中独立学习语义知识和结构知识。此外，我们设计了多通道知识蒸馏（MKD）损失，使学生模型能够从教师模型中获取专门化知识，从而避免相互干扰。大量实验在两个真实数据集上验证了该方法的有效性和鲁棒性。