[논문 리뷰] Hierarchical Propagation Networks for Fake News Detection: Investigation and Exploitation

Kai Shu, Deepak Mahudeswaran외 2명|arXiv (Cornell University)|2019. 03. 21.

Misinformation and Its Impacts인용 수 28

한 줄 요약

이 논문은 다중 수준의 소셜 미디어 확산 구조— macro 수준(재트윗, 공유 경로)과 micro 수준(사용자 응답, 대화)을 분석함으로써 가짜 뉴스를 탐지하기 위해 계층적 전파 네트워크(HPN)를 제안한다. 이는 이러한 네트워크에서 유도된 시간적, 구조적, 언어적 특징이 매우 분류 능력을 지니며, 특히 시간적 특징이 가장 효과적임을 입증하고, HPN 특징이 다양한 모델에서 가짜 뉴스 탐지 성능을 크게 향상시킴을 보여준다.

ABSTRACT

Consuming news from social media is becoming increasingly popular. However, social media also enables the widespread of fake news. Because of its detrimental effects brought by social media, fake news detection has attracted increasing attention. However, the performance of detecting fake news only from news content is generally limited as fake news pieces are written to mimic true news. In the real world, news pieces spread through propagation networks on social media. The news propagation networks usually involve multi-levels. In this paper, we study the challenging problem of investigating and exploiting news hierarchical propagation network on social media for fake news detection. In an attempt to understand the correlations between news propagation networks and fake news, first, we build a hierarchical propagation network from macro-level and micro-level of fake news and true news; second, we perform a comparative analysis of the propagation network features of linguistic, structural and temporal perspectives between fake and real news, which demonstrates the potential of utilizing these features to detect fake news; third, we show the effectiveness of these propagation network features for fake news detection. We further validate the effectiveness of these features from feature important analysis. Altogether, this work presents a data-driven view of hierarchical propagation network and fake news and paves the way towards a healthier online news ecosystem.

연구 동기 및 목표

• 소셜 미디어 네트워크에서 가짜 뉴스와 진짜 뉴스의 전파 패턴이 어떻게 다른지 조사한다.
• 가짜 뉴스 탐지에 있어 계층적 전파 네트워크(매크로 및 마이크로 수준)에 대한 이해 부족을 해소한다.
• 전파 네트워크의 구조적, 시간적, 언어적 차원에서 유도된 특징들이 가짜 뉴스 탐지에 효과적으로 기여할 수 있는지 탐색한다.
• 콘텐츠 기반 방법을 넘어서 데이터 기반이고 해석 가능한 프레임워크를 제공하여 가짜 뉴스 탐지의 성능을 향상시킨다.
• 뉴스 유포 과정에서의 사용자 수준 및 네트워크 수준 신호를 이해함으로써 가짜 뉴스의 효과적인 완화를 가능하게 한다.

제안 방법

• 실제 소셜 미디어 데이터에서 매크로 수준(재트윗을 통한 뉴스 공유 경로)과 마이크로 수준(댓글/응답 트리)을 포함한 계층적 전파 네트워크를 구축한다.
• 모든 네트워크 수준에서 구조적 특징(예: 깊이, 너비, 중심성), 시간적 특징(예: 공유 속도, 급격한 증가), 언어적 특징(예: 감성, 입장)을 추출한다.
• 구조적, 시간적, 언어적 차원에서 가짜 뉴스와 진짜 뉴스의 전파 패턴을 비교하기 위해 통계 분석을 수행한다.
• 추출된 전파 네트워크 특징을 사용하여 다양한 기계학습 모델(SVM, XGBoost, DNN 등)을 훈련하고 평가하여 가짜 뉴스 분류를 수행한다.
• 각 특징 유형과 네트워크 수준의 분류 능력을 평가하기 위해 특징 중요도 분석을 수행한다.
• 실제 데이터셋을 사용하여 다양한 베이스라인과의 비교를 통해 접근 방식의 강건성과 효과성을 검증한다.

실험 결과

연구 질문

• RQ1 가짜 뉴스와 진짜 뉴스 간의 계층적 전파 네트워크의 구조적, 시간적, 언어적 특징은 어떻게 다를까?
• RQ2 매크로 수준과 마이크로 수준의 전파 네트워크에서 유도된 특징들이 가짜 뉴스 탐지에 효과적으로 기여할 수 있는가?
• RQ3 가짜 뉴스 탐지에 있어 가장 분류 능력이 뛰어난 전파 네트워크 특징 유형(구조적, 시간적, 언어적)은 무엇인가?
• RQ4 매크로 수준과 마이크로 수준의 전파 특징은 어떻게 상호 보완적으로 작용하여 탐지 성능을 향상시키는가?
• RQ5 제안된 특징들이 다양한 학습 알고리즘과 데이터셋 간에서 얼마나 강건한가?

주요 결과

• 계층적 전파 네트워크에서 유도된 시간적 특징이 가짜 뉴스와 진짜 뉴스를 구분하는 데 가장 분류 능력이 뛰어나다.
• 매크로 수준과 마이크로 수준의 전파 특징은 상호 보완적이며, 함께 사용할 경우 탐지 성능을 향상시킨다.
• 제안된 계층적 전파 네트워크 특징은 콘텐츠 기반 베이스라인에 비해 가짜 뉴스 탐지 작업에서 뚜렷이 뛰어난 성능을 보인다.
• 특징 중요도 분석을 통해 뉴스 공유의 시간적 동역학(예: 속도, 급격한 증가)이 오인정보의 강력한 지표임을 확인할 수 있다.
• 추출된 특징은 전통적 분류기와 딥러닝 모델을 포함한 다양한 학습 알고리즘에서 강건하게 작동한다.
• 본 연구는 계층적 전파 네트워크가 가짜 뉴스 탐지에 있어 풍부하고 해석 가능한 사회적 신호의 원천이 될 수 있음을 경험적으로 입증한다.