[논문 리뷰] FAKEDETECTOR: Effective Fake News Detection with Deep Diffusive Neural Network

Jiawei Zhang, Bowen Dong외 1명|arXiv (Cornell University)|2018. 05. 22.

Misinformation and Its Impacts참고 문헌 68인용 수 52

한 줄 요약

이 논문은 FakeDetector를 제시한다. 텍스트 및 관계 신호를 사용하는 뉴스-강화 이종 소셜 네트워크에서 가짜 뉴스 기사, 창작자, 주제의 신뢰도를 공동으로 추론하는 딥 확산 네트워크 및 하이브리드 특징 학습 유닛.

ABSTRACT

In recent years, due to the booming development of online social networks, fake news for various commercial and political purposes has been appearing in large numbers and widespread in the online world. With deceptive words, online social network users can get infected by these online fake news easily, which has brought about tremendous effects on the offline society already. An important goal in improving the trustworthiness of information in online social networks is to identify the fake news timely. This paper aims at investigating the principles, methodologies and algorithms for detecting fake news articles, creators and subjects from online social networks and evaluating the corresponding performance. This paper addresses the challenges introduced by the unknown characteristics of fake news and diverse connections among news articles, creators and subjects. This paper introduces a novel automatic fake news credibility inference model, namely FAKEDETECTOR. Based on a set of explicit and latent features extracted from the textual information, FAKEDETECTOR builds a deep diffusive network model to learn the representations of news articles, creators and subjects simultaneously. Extensive experiments have been done on a real-world fake news dataset to compare FAKEDETECTOR with several state-of-the-art models, and the experimental results have demonstrated the effectiveness of the proposed model.

연구 동기 및 목표

• 온라인 소셜 네트워크에서 특징이 알려지지 않은 가짜 뉴스 탐지 문제를 다룬다.
• 텍스트 신호와 네트워크 관계를 활용하여 기사, 창작자, 주제의 신뢰도 점수를 공동으로 추론한다.
• 새로운 확산 아키텍처를 통해 이종 정보를 융합하는 심층 학습 모델을 개발한다.

제안 방법

• 하이브드 피처 학습 유닛(HFLU)을 도입하여 기사, 창작자, 주제 텍스트에서 명시적 텍스트 특징과 RNN(GRU)을 통한 잠재 특징을 추출한다.
• 기사, 창작자, 주제 간 정보를 융합하기 위해 게이트식 확산 유닛(GDU)을 갖춘 딥 디퓨시브 네트워크를 제안한다.
• 기사, 창작자, 주제에 대한 교차 엔트로피 손실과 정규화를 포함한 엔드 투 엔드 목표를 정의한다.
• PolitiFact 데이터로 역전파 학습하고 모든 노드 유형에 대한 신뢰도 레이블을 예측한다.

실험 결과

연구 질문

• RQ1 기사, 창작자, 주제의 명시적 및 잠재적 텍스트 특징이 가짜 뉴스 신뢰도 추론에 어떤 도움을 주는가?
• RQ2 깊은 확산 네트워크가 이종 관계(저자 작성과 기사-주제 연결)를 효과적으로 융합해 기사, 창작자, 주제의 탐지 성능을 개선할 수 있는가?
• RQ3 기사, 창작자, 주제를 함께 모델링하는 것이 PolitiFact 데이터의 신뢰도 예측에 어떤 영향을 미치는가?

주요 결과

• 프레임워크는real-world 데이터에서 기사, 창작자, 주제에 대한 신뢰도 추론을 단일 모델로 수행한다.
• PolitiFact 데이터셋은 14,055개의 기사, 3,634명의 창작자, 152개의 주제를 포함하며 48,756개의 기사-주제 링크와 14,055개의 창작자-기사 링크를 가진다.
• 게이트 확산 유닛을 갖춘 딥 디퓨시브 네트워크는 명시적 단어 특징과 잠재 텍스트 표현을 모두 활용한다.
• 주제 입력에 대한 포겟 게이트와 창작자 입력에 대한 어드저스트 게이트를 도입해 타입 간 정보 흐름을 관리한다.