Oct, 2023

GRaMuFeN: 基于图的社交媒体多模态虚假新闻检测

PDF
TL;DR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。
social mediafake content detectiontextual analysisimage analysisgraph convolutional neural network
发现论文，激发创造
  • 基于多粒度信息融合的社交媒体多模态假新闻检测

    文章介绍了一种用于检测假新闻的多粒度多模态融合网络模型，并将模型性能与现有方法进行了比较。

    Apr, 2023

  • 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

  • 探索面向图的多视图融合在社交媒体谣言检测中的应用

    本研究提出了一种基于图卷积网络的多视图融合框架，用于较好地表示和识别谣言信息，并且在两个公共数据集上实验，结果表明该方法优于现有的技术。

    Nov, 2022

  • 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

  • 利用连续学习的图神经网络检测社交媒体中的虚假新闻

    本论文主要针对基于传播的假新闻检测，利用图神经网络实现无需文本信息的分类方法，研究了在新数据集上的性能问题，并提出了利用持续学习方法解决的方案。

    Jul, 2020

  • 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

  • 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

  • 利用实体增强框架融合多模态线索提高假新闻检测

    本文围绕多模态虚假新闻检测问题，提出了一种新的提取多模态线索的框架，该框架能够充分地考虑图像文本的三种关系，并在实验证明其优于现有文献的方法。

    Aug, 2021

  • 基于图神经网络的对抗性对比学习在具备证据感知的假新闻检测中的应用

    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