[论文解读] Fake News Detection on News-Oriented Heterogeneous Information Networks through Hierarchical Graph Attention

Yuxiang Ren, Jiawei Zhang|arXiv (Cornell University)|Feb 5, 2020

Misinformation and Its Impacts参考文献 29被引用 7

一句话总结

本文提出HGAT，一种分层图注意力网络，将虚假新闻检测建模为新闻导向异构信息网络（HIN）中的节点分类任务。通过利用节点级和模式级注意力机制，HGAT从新闻文章、创作者和主题中学习具有区分性的多源表征，在无需手工设计特征（如元路径）的情况下，在两个真实世界数据集上实现了最先进性能。

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.

研究动机与目标

• 通过利用超越内容的结构化和多源信息，解决传统基于文本的模型难以检测的虚假新闻挑战。
• 将虚假新闻检测建模为整合了新闻文章、创作者和主题的异构信息网络（HIN）中的节点分类问题。
• 开发一种可泛化的端到端表征学习框架，捕捉HIN中的异构性、分层性和判别性特征，且不依赖于人工特征（如元路径）。
• 证明分层注意力在建模不同类型节点及其关系方面的有效性，从而提升虚假新闻检测性能。

提出的方法

• 构建一个以新闻为中心的异构信息网络（News-HIN），包含三种节点类型：新闻文章、创作者和主题（话题），以及两种链接类型：创作关系和主题关联。
• 应用两级注意力机制：节点级注意力为同类型邻居计算注意力权重，将其聚合为模式节点；模式级注意力为不同模式节点分配重要性。
• 利用分层注意力机制，通过融合异构源的信息，生成上下文感知的、具有判别性的新闻文章节点表征。
• 通过反向传播端到端优化整个HGAT模型，实现节点表征与分类的联合学习。
• 将文本特征（通过TF-IDF获取）与图结构结合，形成节点输入特征，实现内容与关系信息的联合处理。
• 设计一个变体HGAT_No_schema，用均匀权重替代模式级注意力，以消融注意力驱动的模式聚合贡献。

实验结果

研究问题

• RQ1 具有分层注意力机制的图神经网络能否通过利用超越文本内容的异构信息，有效检测虚假新闻？
• RQ2 在真实世界数据集上，所提出的HGAT模型相较于最先进基于文本和基于网络的虚假新闻检测方法表现如何？
• RQ3 分层注意力机制（尤其是模式级注意力）在异构图中对表征学习和检测准确率的提升程度如何？
• RQ4 HGAT能否在无需手工特征（如元路径）的情况下，泛化于不同News-HIN结构？

主要发现

• 在Politifact和BuzzFeed虚假新闻数据集的二分类与多标签分类任务中，HGAT优于基于文本的模型（如BERT、TextCNN）和基于网络的模型（如GCN、GAT、HAN）。
• 在6标签可信度分类任务中，HGAT在所有模型中取得最高F1分数，证明其在捕捉细微可信度等级方面的卓越能力。
• 消融实验表明，移除模式级注意力（HGAT_No_schema）导致性能显著下降，证实注意力驱动的模式聚合对有效异构表征学习至关重要。
• HGAT在性能上优于将HIN视为同构图的模型（如GCN、GAT），证明对异构性的恰当处理对高质量节点表征至关重要。
• HGAT在不同News-HIN结构（如Politifact与BuzzFeed）间表现出良好泛化能力，证明其可扩展性与鲁棒性，且无需领域特定的特征工程。
• 该模型在多个指标（准确率、F1、宏平均F1）上表现一致更优，表明所学表征兼具全面性与判别性。