基于图神经网络的证据感知假新闻检测
本文提出了一种基于证据的假新闻检测的方法,采用图形结构挖掘和对比学习来消除信息冗余,获得具有可靠性和区分度的表示,并在实验中证明了 GETRAL 相对于现有技术的优越性。
Oct, 2022
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
本文提出了一种适合推理证据语义结构的方法,并结合预训练模型和图卷积网络、图注意力网络来提高事实核查的准确性,实验证明丰富的结构信息对事实核查有所帮助,并且所提出的模型在官方评测中均获得了最佳表现。
Sep, 2019
Fact verification tasks using a Confidential Graph Attention Network (CO-GAT) with a node masking mechanism achieve a 73.59% FEVER score on the FEVER dataset and show generalization ability to science-specific domains.
May, 2024
提出了一种 ETGNN 方法以在社交媒体上检测社交事件,该方法基于图神经网络,具有时态感知和确定性理论,通过创新的临时感知集成器和证据深度神经网络对不同视图进行处理,最终实现了准确,可靠和鲁棒的社交事件检测。
May, 2022
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
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
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
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