利用连续学习的图神经网络检测社交媒体中的虚假新闻
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
本文利用几何深度学习模型对推特上的新闻内容、用户画像、行为,社交网络结构与传播进行深度融合,基于传播模式的方法可以高效地提取特征,提高了对于虚假新闻的识别率,在短时间内便可可靠地便可侦测出,同时与现存的基于内容分析的方法有互补性和多个优势。
Feb, 2019
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
深度学习在自然语言处理方面的预训练已经彻底改变了领域,同时,对于虚假新闻检测的进展主要是基于上下文的范式驱动的,其中来自社交媒体等不同类型信号形成图状结构,除了新闻文章外还包含上下文信息。我们提议将这两个发展合并起来,将图神经网络的预训练应用到基于上下文的虚假新闻检测领域。我们的实验评估了不同的图状误信息检测预训练策略,结果表明,在该领域中,迁移学习目前并没有显著改进,相比从头开始训练模型。我们认为目前的一个主要问题是缺乏适合的大规模资源供预训练使用。
Feb, 2024
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
本文提出一种利用卷积神经网络和长短期循环神经网络模型的混合方法,从 Twitter 帖子中检测和分类假新闻信息的框架,精度可达 82%。该方法能够直观地识别假新闻故事的相关特征而无需领域知识。
Jun, 2018
本文介绍了 Fake News Challenge stage #1 (FNC-1) 数据集并概述了使用该数据集构建伪新闻检测系统的竞争尝试。通过使用不同的自然语言处理技术处理标题和正文文本,提取特征并使用软余弦相似性方法计算相似度。该系统使用深度学习方法进行分类,除了 “disagree” 类别外,其余类别均达到高准确性,最终分类准确率达到 84.6%,在该数据集上排名第二。
Oct, 2022
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
本文针对社交媒体上越来越普遍的假新闻现象展开研究,提出了一种基于新闻分级传播网络的假新闻检测方法,通过对假新闻和真实新闻的传播网络特征进行了比较分析,认为可以利用语言特征和结构特征检测假新闻,并验证了这些特征的有效性。该研究为更健康的在线新闻生态系统铺平了道路。
Mar, 2019