[論文レビュー] Fake News Detection on News-Oriented Heterogeneous Information Networks through Hierarchical Graph Attention

Yuxiang Ren, Jiawei Zhang|arXiv (Cornell University)|Feb 5, 2020

Misinformation and Its Impacts参考文献 29被引用数 7

ひとこと要約

本稿では、ニュース指向の異種情報ネットワーク（HIN）におけるノード分類タスクとしてフェイクニュース検出をモデル化する階層的グラフ自己注意ネットワーク（HGAT）を提案する。ノードレベルおよびスキーマレベルの自己注意メカニズムを活用することで、ニュース記事、作成者、トピックからの判別性の高いマルチソース表現を学習し、メタパスのような手作業特徴を必要とせず、2つの実世界データセットで最先端の性能を達成する。

ABSTRACT

The viral spread of fake news has caused great social harm, making fake news detection an urgent task. Current fake news detection methods rely heavily on text information by learning the extracted news content or writing style of internal knowledge. However, deliberate rumors can mask writing style, bypassing language models and invalidating simple text-based models. In fact, news articles and other related components (such as news creators and news topics) can be modeled as a heterogeneous information network (HIN for short). In this paper, we propose a novel fake news detection framework, namely Hierarchical Graph Attention Network(HGAT), which uses a novel hierarchical attention mechanism to perform node representation learning in HIN, and then detects fake news by classifying news article nodes. Experiments on two real-world fake news datasets show that HGAT can outperform text-based models and other network-based models. In addition, the experiment proved the expandability and generalizability of our for graph representation learning and other node classification related applications in heterogeneous graphs.

研究の動機と目的

• コンテンツ以外の構造的およびマルチソース情報を利用することで、従来のテキストベースのモデルが検出できないフェイクニュースを検出する課題に対処する。
• ニュース記事、作成者、トピックを統合した異種情報ネットワーク（HIN）におけるノード分類問題としてフェイクニュース検出を定式化する。
• メタパスのような手作業特徴に依存せず、HIN内の異種的で階層的かつ判別性のある特徴を捉える汎用的でエンドツーエンドの表現学習フレームワークを構築する。
• 多様なノードタイプとその関係性をモデル化するための階層的自己注意の有効性を、フェイクニュース検出の向上に示す。

提案手法

• ニュース記事、作成者、トピック（主題）の3種類のノードタイプと、著作者関係およびトピック関連性の2種類のリンクタイプを持つニュース指向の異種情報ネットワーク（News-HIN）を構築する。
• 2段階の自己注意メカニズムを適用する：ノードレベルの自己注意は、同じタイプの近隣ノードの重みを計算し、それらをスキーマノードに集約し、スキーマレベルの自己注意は、異なるスキーマノードに重みを割り当てる。
• 階層的自己注意メカニズムを用いて、異種ソースからの情報を統合することで、ニュース記事ノードの文脈に適した判別性の高い表現を生成する。
• バックプロパゲーションを用いてHGATモデル全体をエンドツーエンドで最適化し、ノード表現と分類の両方を統合的に学習可能にする。
• テキスト特徴（TF-IDFを介して）とグラフ構造を統合し、ノード入力特徴を形成することで、コンテンツと関係的情報を同時に処理可能にする。
• スキーマレベルの自己注意を均一な重みに置き換えた変種、HGAT_No_schemaを設計し、自己注意に基づくスキーマ集約の貢献度をアブレーションする。

実験結果

リサーチクエスチョン

• RQ1 階層的自己注意メカニズムを有するグラフニューラルネットワークは、テキストコンテンツ以外の異種情報を利用することで、フェイクニュースを効果的に検出できるか？
• RQ2 提案されたHGATモデルは、実世界のデータセットにおいて、最先端のテキストベースおよびネットワークベースのフェイクニュース検出手法と比較して、どのように性能を発揮するか？
• RQ3 特にスキーマレベルの自己注意が、異種グラフにおける表現学習と検出精度をどの程度向上させるか？
• RQ4 HGATは、メタパスのような手作業特徴を必要とせず、異なるNews-HIN構造に一般化可能か？

主な発見

• HGATは、PolitifactおよびBuzzFeedのフェイクニュースデータセットの両方で、二値分類および多値分類タスクにおいて、テキストベースのモデル（例：BERT、TextCNN）およびネットワークベースのモデル（例：GCN、GAT、HAN）を上回る性能を発揮する。
• 6ラベルの信頼性分類タスクにおいて、HGATはすべてのモデルの中で最高のF1スコアを達成し、微細な信頼性レベルを捉える優れた能力を示している。
• アブレーションスタディの結果、スキーマレベルの自己注意を削除した（HGAT_No_schema）場合、性能が著しく低下することが確認され、自己注意に基づくスキーマ集約が、効果的な異種表現学習に不可欠であることが裏付けられた。
• HGATは、HINを同種グラフとして扱うモデル（例：GCN、GAT）よりも優れた性能を発揮しており、高品質なノード表現を得るためには、異種性の適切な処理が不可欠であることを証明している。
• HGATは、異なるNews-HIN（例：Politifact対BuzzFeed）においても良好に一般化でき、ドメイン特化の特徴工学を必要とせず、拡張性と耐障害性を示している。
• 複数の指標（正解率、F1スコア、マクロ-F1）において、HGATの性能は一貫して優れており、学習された表現が包括的かつ判別性に優れていることが示された。