[논문 리뷰] Fake News Detection on News-Oriented Heterogeneous Information Networks through Hierarchical Graph Attention

Yuxiang Ren, Jiawei Zhang|arXiv (Cornell University)|2020. 02. 05.

Misinformation and Its Impacts참고 문헌 29인용 수 7

한 줄 요약

이 논문은 가짜 뉴스 탐지 문제를 뉴스 중심 이질적 정보 네트워크(HINs)에서의 노드 분류 문제로 모델링하는 계층적 그래프 어텐션 네트워크(HGAT)를 제안한다. 노드 수준 및 스키마 수준 어テン션 메커니즘을 활용하여 뉴스 기사, 창작자, 주제로부터 다중 소스 표현을 학습함으로써, 메타패스와 같은 수작업 특징이 필요 없이 두 개의 실세계 데이터셋에서 최신 기술 수준의 성능을 달성한다.

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.

연구 동기 및 목표

• 내용 외부의 구조적 및 다중 소스 정보를 활용하여 전통적인 텍스트 기반 모델이 회피하는 가짜 뉴스 탐지 과제를 해결한다.
• 뉴스 기사, 창작자, 주제를 통합한 이질적 정보 네트워크(HIN)에서 가짜 뉴스 탐지를 노드 분류 문제로 재정의한다.
• 메타패스와 같은 수작업 특징에 의존하지 않고 이질적, 계층적, 구분 능력 있는 특징을 학습하는 일반화 가능한 엔드 투 엔드 표현 학습 프레임워크를 개발한다.
• 다양한 노드 유형과 그 관계를 모델링하기 위해 계층적 어텐션의 효과를 입증한다.

제안 방법

• 뉴스 기사, 창작자, 주제(주제) 세 가지 노드 유형과 저자성 및 주제 연관성 두 가지 링크 유형을 포함한 뉴스 중심 이질적 정보 네트워크(News-HIN)를 구축한다.
• 이중 수준 어텐션 메커니즘을 적용한다: 노드 수준 어텐션은 동일한 유형의 이웃에 대한 어텐션 가중치를 계산하여 스키마 노드로 집계하고, 스키마 수준 어텐션은 다양한 스키마 노드에 중요도를 할당한다.
• 계층적 어텐션 메커니즘을 사용하여 이질적 소스에서 유래한 정보를 융합함으로써 뉴스 기사 노드의 맥락 인식 가능하고 구분 능력 있는 표현을 생성한다.
• 역전파를 통해 전체 HGAT 모델을 엔드 투 엔드로 최적화하여 노드 표현과 분류의 공동 학습을 가능하게 한다.
• 텍스트 특징(TF-IDF를 통한)과 그래프 구조를 융합하여 노드 입력 특징을 구성함으로써 콘텐츠 및 관계 정보의 공동 처리를 가능하게 한다.
• 스키마 수준 어텐션을 균일한 가중치로 대체한 변형인 HGAT_No_schema를 설계하여 어텐션 기반 스키마 집합의 기여도를 분석한다.

실험 결과

연구 질문

• RQ1 계층적 어텐션 메커니즘을 갖춘 그래프 신경망이 텍스트 콘텐츠 외부의 이질적 정보를 활용하여 가짜 뉴스 탐지에 효과적으로 기여할 수 있는가?
• RQ2 실세계 데이터셋에서 제안된 HGAT 모델은 최신 기술 수준의 텍스트 기반 및 네트워크 기반 가짜 뉴스 탐지 방법과 비교해 어떻게 성능을 내는가?
• RQ3 특히 스키마 수준 어텐션을 포함한 계층적 어텐션 메커니즘이 이질적 그래프에서 표현 학습과 탐지 정확도 향상에 얼마나 기여하는가?
• RQ4 HGAT는 메타패스와 같은 수작업 특징이 필요 없이 다양한 News-HIN 구조에 일반화될 수 있는가?

주요 결과

• HGAT는 이진 및 다중 레이블 분류 과제에서 Politifact 및 BuzzFeed 가짜 뉴스 데이터셋 양쪽 모두에서 텍스트 기반 모델(BERT, TextCNN)과 네트워크 기반 모델(GCN, GAT, HAN)을 모두 앞서는 성능을 보였다.
• 6라벨 신뢰도 분류 과제에서 HGAT는 모든 모델 중 가장 높은 F1 점수를 기록하여 미세한 신뢰도 수준을 효과적으로 포착하는 능력을 입증했다.
• 제거 실험에서 스키마 수준 어텐션을 제거한 HGAT_No_schema는 성능이 크게 하락함으로써 어텐션 기반 스키마 집합이 효과적인 이질적 표현 학습에 필수적임을 확인했다.
• HGAT는 HIN을 동질적 그래프로 간주하는 모델(GCN, GAT)보다 뛰어난 성능을 보였으며, 이는 이질성의 적절한 처리가 고품질 노드 표현을 위해 필수적임을 증명한다.
• HGAT는 다양한 News-HIN(예: Politifact vs. BuzzFeed)에 대해 잘 일반화되며, 도메인 특화 특징 공학 없이도 확장성과 강건성을 입증했다.
• 정확도, F1, 매크로-F1 등 여러 지표에서 일관되게 뛰어난 성능을 보이며, 학습된 표현이 종합적이고 구분 능력이 있음을 시사한다.