[論文レビュー] Heterogeneous Graph Attention Networks for Early Detection of Rumors on Twitter

Qi Huang, Junshuai Yu+2 more|arXiv (Cornell University)|Jun 10, 2020

Misinformation and Its Impacts参考文献 25被引用数 5

ひとこと要約

本稿では、ツイート、語、ユーザーを統合的な非均質的グラフとしてモデル化するメタパスに基づく非均質的グラフ自己注意ネットワーク（HGAT）を提案する。この手法により、リツイートテキストのグローバルな意味的関係と構造的伝播パターンを捉え、Twitter上での早期フェイクニュース検出を実現する。本手法は、精度において最先端のベースラインを上回り、意味的コンテンツと伝播ダイナミクスを統合的に学習することで、強力な早期検出能力を示す。

ABSTRACT

With the rapid development of mobile Internet technology and the widespread use of mobile devices, it becomes much easier for people to express their opinions on social media. The openness and convenience of social media platforms provide a free expression for people but also cause new social problems. The widespread of false rumors on social media can bring about the panic of the public and damage personal reputation, which makes rumor automatic detection technology become particularly necessary. The majority of existing methods for rumor detection focus on mining effective features from text contents, user profiles, and patterns of propagation. Nevertheless, these methods do not take full advantage of global semantic relations of the text contents, which characterize the semantic commonality of rumors as a key factor for detecting rumors. In this paper, we construct a tweet-word-user heterogeneous graph based on the text contents and the source tweet propagations of rumors. A meta-path based heterogeneous graph attention network framework is proposed to capture the global semantic relations of text contents, together with the global structure information of source tweet propagations for rumor detection. Experiments on real-world Twitter data demonstrate the superiority of the proposed approach, which also has a comparable ability to detect rumors at a very early stage.

研究の動機と目的

• 既存のフェイクニュース検出手法が、テキストコンテンツにおけるグローバルな意味的関係を無視するという限界を是正すること。
• 統一的なグラフフレームワーク内で、テキストからのグローバルな意味的情報を、フェイクニュースの構造的伝播パターンと統合すること。
• 意味的表現とネットワーク構造表現を活用することで、フェイクニュースの早期段階検出を可能にすること。
• 検出性能の向上を図るため、語、ツイート、ユーザーの複雑な相互作用を非均質的グラフでモデル化すること。

提案手法

• テキストコンテンツと元のツイートの伝播データを用いて、非均質的ツイート-語-ユーザー・グラフを構築する。
• 事前に定義されたメタパスに基づいて、グラフをツイート-語およびツイート-ユーザーの部分グラフに分解する。
• 部分グラフ自己注意ネットワークを適用し、グローバルな構造的および意味的情報を含むノード表現を学習する。
• 異なる部分グラフからの表現を統合するためのアテンションメカニズムを採用し、最終的なフェイクニュース分類を実行する。
• メタパスを用いてメッセージパッシングプロセスをガイドし、非均質なノード間で意味的および構造的関連性を保持する。
• 実世界のTwitterデータセット上で、フェイクニュース検出性能を最適化するため、モデルをエンドツーエンドで訓練する。

実験結果

リサーチクエスチョン

• RQ1 テキストコンテンツにおけるグローバルな意味的関係は、局所的な意味的パターンを上回ってフェイクニュース検出を顕著に改善できるか？
• RQ2 非均質的グラフ自己注意ネットワークは、意味的および伝播構造的情報を効果的に統合してフェイクニュース検出に寄与できるか？
• RQ3 提案手法は、既存の手法と比較して、高い精度でフェイクニュースを早期段階で検出できるか？
• RQ4 ユーザー、ツイート、語を1つの非均質的グラフで統合的にモデル化することで、フェイクニュース検出の表現学習が向上するか？

主な発見

• 提案されたHGATモデルは、2つの実世界のTwitterデータセットにおいて、最先端のベースラインを上回るフェイクニュース検出精度を達成した。
• 本手法は、早期段階でのフェイクニュース検出能力に類似の性能を示し、早期対応にとって不可欠である。
• テキストコンテンツからのグローバルな意味的関係の統合が、検出性能の顕著な向上に寄与した。
• 部分グラフ自己注意メカニズムは、非均質的グラフ内の局所的およびグローバルな構造的パターンを効果的に捉えた。
• ツイート-語およびツイート-ユーザー部分グラフからの表現のアテンションベース統合が、最終的な分類結果の改善に寄与した。
• 本モデルの性能は、さまざまなフェイクニュース検出シナリオにおいても安定しており、一般化能力の妥当性が裏付けられた。