[論文レビュー] Incorporating User-Comment Graph for Fake News Detection.

Hao Liao, Qi-xin Liu+2 more|arXiv (Cornell University)|Nov 3, 2020

Misinformation and Its Impacts被引用数 5

ひとこと要約

本稿では、異種グラフニューラルネットワークを用いてニュースコンテンツ、ユーザのコメント、およびユーザ-コメント相互作用を統合的にモデル化するグラフベースのフレームワークGCALを提案する。これによりフェイクニュース検出の性能が向上し、8つの最先端手法を最低4%の精度、7%の再現率、5%のF1スコアで上回り、モデルの解釈可能性も提供する。

ABSTRACT

Disinformation has long been regarded as a severe social problem, where fake news is one of the most representative issues. What is worse, today's highly developed social media makes fake news widely spread at incredible speed, bringing in substantial harm to various aspects of human life. Yet, the popularity of social media also provides opportunities to better detect fake news. Unlike conventional means which merely focus on either content or user comments, effective collaboration of heterogeneous social media information, including content and context factors of news, users' comments and the engagement of social media with users, will hopefully give rise to better detection of fake news. Motivated by the above observations, a novel detection framework, namely graph comment-user advanced learning framework (GCAL) is proposed in this paper. User-comment information is crucial but not well studied in fake news detection. Thus, we model user-comment context through network representation learning based on heterogeneous graph neural network. We conduct experiments on two real-world datasets, which demonstrate that the proposed joint model outperforms 8 state-of-the-art baseline methods for fake news detection (at least 4% in Accuracy, 7% in Recall and 5% in F1). Moreover, the proposed method is also explainable.

研究の動機と目的

• ソーシャルメディアプラットフォームにおけるフェイクニュースの急速な拡散が引き起こす社会的被害の増大に対処する。
• 既存のフェイクニュース検出手法がコンテンツやコメントを独立して扱うことに起因する限界を克服する。
• 特にニュースコンテンツ、ユーザのコメント、ユーザ参加行動の間の相互作用を含む、ソーシャルメディアに内在する豊富で異種の情報を活用し、検出性能を向上させる。
• ユーザ-コメント関係を効果的にモデル化できる統合的かつ解釈可能なディープラーニングフレームワークを構築する。

提案手法

• ニュースコンテンツ、ユーザのコメント、ユーザ参加行動の相互作用を別々のノードタイプとして統合した異種グラフを構築する。
• グラフニューラルネットワーク（GNN）技術を用いて、コンテンツ、コメント、ユーザ間の複雑な依存関係を捉える低次元表現を学習する。
• ネットワーク表現学習を用いて、ユーザとそのコメントの間の文脈的関係を符号化し、偽りの兆候を検出する能力を強化する。
• フェイクニュース分類を最適化する統合学習目的関数を用いて、GCALフレームワークをエンドツーエンドで訓練する。
• GNNの使用に伴い、注目メカニズムやメッセージパッシング戦略を統合し、影響力のあるまたは疑わしいコメントパターンを優先する。
• 分類意思決定に寄与する重要なユーザ-コメント相互作用を特定することで、モデルの解釈可能性を確保する。

実験結果

リサーチクエスチョン

• RQ1 統合的グラフベースのモデルにユーザ-コメント相互作用を統合することで、コンテンツのみまたはコメントのみに依存するアプローチと比較して、フェイクニュース検出性能が向上するか？
• RQ2 GCALフレームワークは、最先端のフェイクニュース検出手法と比較して、精度、再現率、F1スコアの観点でどの程度優れているか？
• RQ3 モデルの予測は、グラフ内のユーザ-コメント関係を分析することでどの程度解釈可能か？
• RQ4 ニュースコンテンツ、コメント、ユーザ参加行動といった異種のソーシャルメディア信号をモデル化することで、だましのニュースの検出がより強固になるか？

主な発見

• GCALフレームワークは、2つの実世界データセットにおいて、最良のベースライン手法よりも最低4%の高い精度を達成した。
• 本モデルは、既存の最先端のアプローチと比較して、再現率を最低7%向上させた。
• F1スコアは、すべての8つのベースライン手法を最低5%以上上回り、一貫した性能向上を示した。
• モデルの予測は解釈可能であり、分類意思決定に寄与する明確に特定可能なユーザ-コメント相互作用が存在した。
• グラフ表現学習を用いた異種のソーシャル信号の統合により、単一モodalまたは非グラフベースラインと比較して顕著な性能向上が得られた。
• 提案手法は、多様な実世界のソーシャルメディアデータセットにわたって優れた一般化性能を示した。