ACLApr, 2020

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

PDF
TL;DR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。
fake newssocial medianeural networkgraph-aware co-attention networksexplanation
发现论文，激发创造
  • 基于实体感知的双重注意力网络用于假新闻检测

    本文介绍了一种名为 Dual Co-Attention Network（Dual-CAN）的方法用于检测假新闻，其考虑了新闻内容、社交媒体回复和外部知识，实验结果表明该方法比当前代表性模型在两个基准数据集上表现更好，并通过关注权重的实证分析来比较两个数据集上的模型工作。

    Feb, 2023

  • 基于层次图注意力的新闻异构信息网络假新闻检测

    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。

    Feb, 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

  • GRaMuFeN: 基于图的社交媒体多模态虚假新闻检测

    通过分析新闻的文本和图像内容，本文提出了 GraMuFeN 模型，结合了图卷积神经网络和卷积神经网络的输出，并应用对比相似度损失函数，取得了显著的结果，用于检测社交媒体中的虚假消息。

    Oct, 2023

  • GaAN: 基于门控注意力的大规模时空图学习网络

    该文提出了一种新的网络架构 —— 门控注意力网络（GaAN），用于学习图形。该架构使用卷积子网络来控制每个注意力头的重要性，证明了其在归纳节点分类问题和交通速度预测问题上的有效性，并在三个真实世界数据集上取得了最先进的结果。

    Mar, 2018

  • 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

  • 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

  • 基于图的假新闻检测器的普适性黑盒对抗攻击

    我们提出了第一个通用黑盒对抗攻击框架，称为 GAFSI，用于针对基于不同图结构的检测器，通过模拟社交互动行为来欺骗检测器，实验证明了 GAFSI 的有效性。

    Apr, 2024

  • 基于图模型的线上社区假新闻检测

    本研究提出了一种基于图神经网络的社交情境感知假新闻检测框架，根据内容传播的本质、用户的内容共享行为以及这些用户的社交网络聚合信息，并系统比较了几种 GNN 模型，实现了在假新闻数据集上的最新技术成果。

    Aug, 2020