Dec, 2022

利用异质社交媒体上下文图探究虚假新闻检测

PDF
TL;DR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。
fake news detectionsocial context graphsgraph classification taskgraph neural networksbenchmark dataset
发现论文，激发创造
  • 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

  • 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

  • 超越新闻内容：社会背景在假新闻检测中的作用

    研究使用 TriFN 实现社交媒体中的假新闻监测，并利用发布者、新闻片段和用户之间的三方关系来提高准确性。实验证明 TriFN 模型可以显著提高假新闻检测的性能。

    Dec, 2017

  • 利用几何深度学习技术识别社交媒体上的虚假新闻

    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

  • 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

  • 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

  • 基于上下文的假新闻检测中预训练图神经网络的挑战：对当前策略和资源限制的评估

    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

  • 基于图神经网络和常用机器学习算法的假新闻检测比较分析

    本文研究了利用图神经网络技术和机器学习算法探测社交媒体平台上的虚假新闻传播，发现图神经网络对于虚假新闻的辨别效果最好。

    Mar, 2022

  • 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

  • FakeNewsNet: 一个数据仓库，提供新闻内容、社交背景和时空信息，用于研究社交媒体上的虚假新闻

    通过提供包含新闻内容、社会背景和动态信息的数据集，本文旨在促进对社交媒体上假新闻的传播、检测和干预的研究，强调了假新闻检测的复杂性，并结合多源信息提出了可能的解决方案。

    Sep, 2018