[论文解读] 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 5

一句话总结

该论文提出GCAL，一种基于图的框架，通过异构图神经网络联合建模新闻内容、用户评论及用户-评论交互，以提升虚假新闻检测性能。该方法实现了最先进水平的性能表现，在准确率上优于8种SOTA方法至少4%，在召回率上至少高出7%，在F1分数上至少高出5%，同时具备模型可解释性。

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.

研究动机与目标

• 解决虚假新闻在社交媒体平台快速传播对社会造成的日益严重的危害。
• 克服现有虚假新闻检测方法仅孤立关注内容或评论的局限性。
• 利用社交媒体中丰富的异构信息——特别是新闻内容、用户评论与用户参与之间的相互作用——以提升检测性能。
• 构建一个统一的、可解释的深度学习框架，有效建模用户-评论关系。

提出的方法

• 构建一个异构图，将新闻内容、用户评论及用户参与互动作为不同类型的节点进行整合。
• 应用图神经网络（GNN）技术，学习异构图中节点的低维表示，捕捉内容、评论与用户之间的复杂依赖关系。
• 利用网络表征学习编码用户与其评论之间的上下文关系，增强模型识别欺骗性细微信号的能力。
• 通过联合学习目标端到端训练GCAL框架，以优化虚假新闻分类任务。
• 通过图神经网络的使用隐含地引入注意力机制或消息传递策略，以优先关注具有影响力或可疑特征的评论模式。
• 通过突出显示对分类决策有贡献的关键用户-评论交互关系，确保模型的可解释性。

实验结果

研究问题

• RQ1 与仅基于内容或仅基于评论的方法相比，将用户-评论交互整合到统一的基于图的模型中，是否能提升虚假新闻检测的性能？
• RQ2 在准确率、召回率和F1分数方面，所提出的GCAL框架相较于最先进虚假新闻检测方法表现如何？
• RQ3 通过分析图中用户-评论关系，模型的预测在多大程度上可以被解释？
• RQ4 建模异构社交媒体信号（内容、评论、用户参与）是否能带来对欺骗性新闻更稳健的检测能力？

主要发现

• GCAL框架在两个真实世界数据集上的准确率至少比最佳基线方法高出4%。
• 与现有最先进方法相比，该模型的召回率最低提升了7%。
• GCAL的F1分数超过所有8种基线方法至少5%，表明其性能提升具有一致性。
• 模型的预测具有可解释性，可识别出对分类决策有贡献的关键用户-评论交互。
• 通过图表征学习整合异构社交媒体信号，显著优于单模态或非图基线模型。
• 所提出方法在多种真实世界社交媒体数据集上展现出强大的泛化能力。