考虑用户偏好的假新闻检测

近年来，虚假信息与假新闻对个人和社会造成了有害影响，引发了人们对假新闻检测的广泛关注。现有大多数假新闻检测算法侧重于挖掘新闻内容和/或周围的外生上下文以发现欺骗性信号；而用户在决定是否传播某条假新闻时的内生偏好却被忽视。确认偏误理论表明，当一条假新闻与用户已有的信念/偏好一致时，该用户更可能传播它。用户的历史社交参与行为（如发帖）提供了关于用户对新闻偏好的丰富信息，并具有推动假新闻检测发展的巨大潜力。然而，探索用户偏好用于假新闻检测的工作还较为有限。因此，本文研究利用用户偏好进行假新闻检测这一新问题。我们提出了一个新框架 UPFD，通过联合内容与图建模同时捕捉来自用户偏好的多种信号。在真实世界数据集上的实验结果证明了所提框架的有效性。我们发布了代码与数据作为基于 GNN 的假新闻检测基准：https://github.com/safe-graph/GNN-FakeNews。