[論文レビュー] Hierarchical Propagation Networks for Fake News Detection: Investigation and Exploitation

Kai Shu, Deepak Mahudeswaran+2 more|arXiv (Cornell University)|Mar 21, 2019

Misinformation and Its Impacts被引用数 28

ひとこと要約

本稿では、リツイートや共有経路といったマクロレベルおよびユーザーの返信や会話といったマイクロレベルの複数レベルのソーシャルメディア拡散構造を分析することで、フェイクニュースを検出するための階層的プロパゲーションネットワーク（HPN）を提案する。時間的特徴、構造的特徴、言語的特徴が顕著に判別可能であることを示し、特に時間的特徴が最も効果的であると判明した。また、HPNの特徴量が複数のモデルでフェイクニュース検出性能を顕著に向上させることを示している。

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.

研究の動機と目的

• ソーシャルメディアネットワークにおけるフェイクニュースとリアルニュースの拡散パターンの違いを調査すること。
• フェイクニュース検出における階層的拡散ネットワーク（マクロおよびマイクロレベル）の理解の不足を解消すること。
• 拡散ネットワークの構造的、時間的、言語的次元からの特徴量がフェイクニュース検出に有効に機能するかを検討すること。
• コンテンツベース手法を超えて、データ駆動的かつ解釈可能なフレームワークを提供し、フェイクニュース検出を改善すること。
• ニュース拡散におけるユーザーレベルおよびネットワークレベルの信号を理解することで、フェイクニュースのより効果的な緩和を可能にすること。

提案手法

• 実世界のソーシャルメディアデータから階層的拡散ネットワークを構築し、マクロレベル（リツイートによるニュース共有経路）およびマイクロレベル（返信／コメントツリー）を含む。
• 両方のネットワークレベルから、構造的特徴（例：深さ、幅、中心性）、時間的特徴（例：共有速度、バースト性）、言語的特徴（例：センチメント、スタンス）を抽出する。
• 構造的、時間的、言語的次元において、フェイクニュースとリアルニュースの拡散パターンの差を統計的分析で比較する。
• 抽出された拡散ネットワーク特徴量を用いて、複数の機械学習モデル（例：SVM、XGBoost、DNN）を訓練・評価し、フェイクニュース分類を実施する。
• 各特徴タイプおよびネットワークレベルの判別力の程度を評価するため、特徴量の重要度分析を実施する。
• 実世界のデータセットを用いて、複数のベースラインと比較して、手法の堅牢性と有効性を検証する。

実験結果

リサーチクエスチョン

• RQ1 階層的拡散ネットワークの構造的、時間的、言語的特性は、フェイクニュースとリアルニュースでどのように異なるか？
• RQ2 マクロレベルおよびマイクロレベルの拡散ネットワークから抽出した特徴量は、フェイクニュース検出に有効に機能するか？
• RQ3 構造的、時間的、言語的特徴量の中で、フェイクニュース検出に最も判別能が高いのはどれか？
• RQ4 マクロレベルとマイクロレベルの拡散特徴量は、検出性能の向上においてどのように補い合っているか？
• RQ5 提案された特徴量は、異なる学習アルゴリズムおよびデータセットにおいて、どの程度堅牢か？

主な発見

• 階層的拡散ネットワークからの時間的特徴が、フェイクニュースとリアルニュースを区別するうえで最も判別能が高かった。
• マクロレベルおよびマイクロレベルの拡散特徴量は相補的であり、併用することで検出性能が向上した。
• 提案された階層的拡散ネットワーク特徴量は、コンテンツベースのベースラインを顕著に上回る性能を示した。
• 特徴量の重要度分析により、ニュース共有の時間的ダイナミクス（例：速度、バースト性）が誤情報の強力な指標であることが確認された。
• 抽出された特徴量は、従来の分類器およびディープラーニングモデルを含む複数の学習アルゴリズムで堅牢であった。
• 本研究は、階層的拡散ネットワークが、フェイクニュース検出のための豊富で解釈可能な社会的信号のソースであるという実証的証拠を提供した。