Feb, 2020

基于层次图注意力的新闻异构信息网络假新闻检测

PDF
TL;DR该研究提出了一种名为 HGAT (Hierarchical Graph Attention Network) 的框架，该框架利用一种新颖的分层注意机制，在异构信息网络中进行节点表示学习，通过对新闻文章节点进行分类来检测假新闻。实验结果表明，HGAT 可以胜过基于文本和其他基于网络结构的模型，并且该框架还具有与其他节点分类相关应用程序的图形表示学习的扩展性和通用性。
fake news detectiontext-based modelsnetwork-based modelsheterogeneous information networkhierarchical graph attention network
发现论文，激发创造
  • 多头注意力层级网络用于证据感知的假新闻检测

    本研究提出了一种基于 Hierarchical Multi-head Attentive Network 的虚假新闻检测方法，该方法使用多头词级别和文档级别的注意力实现解释，并在两个实际数据集上优于七种现有方法。

    Feb, 2021

  • 利用异质社交媒体上下文图探究虚假新闻检测

    通过构建多种异质社交上下文图并将问题重新定义为图分类任务，本文提出了一种高效的方法来检测虚假新闻，并在常见基准数据集上获得了鲁棒的结果，研究成果表明将不同类型的信息（以获得何种社交上下文水平最有效）与使用不同的图形神经网络架构相结合非常有效。

    Dec, 2022

  • GCAN: 面向社交媒体的基于图注意力机制的可解释假新闻检测网络

    本研究旨在解决社交媒体上的假新闻检测问题。通过开发一种基于神经网络的模型（GCAN），该模型能够通过关注具有嫌疑的转推者和他们关心的词语，准确地预测 tweet 是否是假的，并生成合理的解释。实验结果表明，GCAN 的准确率平均比最先进的方法高出 16％，同时还能够提供合理的解释。

    Apr, 2020

  • 异构子图变换用于虚假新闻检测

    通过构建异构图，揭示了在社交媒体上假新闻的存在及其与主题、实体和内容之间的关系，并提出了一种利用异构子图转换器来检测假新闻的方法。实验证明这种方法在真实世界数据集上的表现优于其他基线模型，而进一步的案例和消融研究证实了其性能改进是由其特殊设计的组件所致。

    Apr, 2024

  • 异构 Transformer 模型用于假新闻检测

    本篇论文提出了一种基于 Transformer 的新型 HetTransformer 模型，旨在有效准确地识别社交网络上的假新闻，该模型能够全面捕捉社交网络中实体的本地多模态语义和传播模式的全局结构表示。实验表明，该模型在假新闻检测方面优于现有的基线模型。

    May, 2022

  • 基于异构图注意力网络的 Twitter 谣言早期检测

    本研究提出基于异质图的元路径捕获方法，结合全局语义关系和社交媒体消息传播结构信息，用于检测社交媒体中的谣言。在真实的 Twitter 数据集上进行的实验证明了该方法的优越性，同时还具有非常早期检测谣言的能力。

    Jun, 2020

  • 基于图神经网络的社交背景建模用于假新闻检测

    研究分析了基于混合图神经网络和 transformer 模型的社交语境对于发现假新闻的作用，并且在 PolitiFact 和 Gossipcop 数据集上获得了 0.91 和 0.93 的 f1 得分，表现优于基线模型。

    Jul, 2022

  • 使用指导索赔的分层图注意网络在 Twitter 上检测谣言

    本研究提出了一种称为单元引导层次图注意力网络的方法，利用社交上下文以增强响应帖子的表征学习，并在 Twitter 上展示了其优越的谣言检测能力。

    Oct, 2021

  • 基于图神经网络的假新闻检测：一项调查

    通过图论和深度学习的方法对基于图的假新闻检测进行系统的综述，将现有方法分类为知识驱动、传播驱动和异构社交环境驱动的方法，并讨论了图论假新闻检测中的挑战和未来研究方向。

    Jul, 2023

  • 基于图神经网络的证据感知假新闻检测

    本研究提出了一种基于证据的假新闻自动检测框架 GET，该框架采用图形结构学习方法将索证和索证的长距离语义依赖关系整合起来，从而有效避免了序列模型在验证新闻真实性方面存在的缺陷。作为一项重要的技术创新，GET 的有效性已经得到了充分验证。

    Jan, 2022