[论文解读] GCAN: Graph-aware Co-Attention Networks for Explainable Fake News Detection on Social Media
该论文提出GCAN，一种图感知的协同注意力网络，仅使用原始推文文本和转发用户序列（无评论或网络结构）来检测短社交媒体推文中的虚假新闻。通过图卷积建模用户交互，并采用双协同注意力机制突出可疑用户和关键词，GCAN相较于最先进方法实现了16%更高的准确率，并提供了可解释的预测依据。
This paper solves the fake news detection problem under a more realistic scenario on social media. Given the source short-text tweet and the corresponding sequence of retweet users without text comments, we aim at predicting whether the source tweet is fake or not, and generating explanation by highlighting the evidences on suspicious retweeters and the words they concern. We develop a novel neural network-based model, Graph-aware Co-Attention Networks (GCAN), to achieve the goal. Extensive experiments conducted on real tweet datasets exhibit that GCAN can significantly outperform state-of-the-art methods by 16% in accuracy on average. In addition, the case studies also show that GCAN can produce reasonable explanations.
研究动机与目标
- 解决在真实社交媒体环境中虚假新闻检测的挑战，其中原始推文较短，缺乏用户评论，且无网络结构信息。
- 开发一种既能实现高精度虚假新闻检测，又能通过识别可疑转发者和吸引注意力的关键词提供有意义解释的模型。
- 通过利用用户资料特征和传播模式，克服短文本中的数据稀疏性以及现实社交媒体中缺乏用户评论信号的问题。
- 通过分析早期转发者及其行为特征，实现在虚假新闻传播初期的早期检测。
提出的方法
- GCAN基于用户资料和转发序列构建用户交互图，以建模潜在社交关系，并利用图卷积网络学习图感知表征。
- 采用卷积神经网络和循环神经网络，基于用户特征和交互序列编码转发传播模式。
- 设计双协同注意力机制，以捕捉原始推文与转发传播之间的相关性，以及推文与用户交互之间的共同影响。
- 模型使用原始推文中的词嵌入，并通过协同注意力将其与用户表征融合，生成上下文感知且可解释的预测结果。
- 可视化来自原始推文-传播协同注意力层的注意力权重，以突出推文中的关键词和转发链中的可疑用户。
- 最终预测基于协同注意力与图感知组件融合后的表征，通过二分类器生成。
实验结果
研究问题
- RQ1当缺乏用户评论且无网络结构时，模型能否在短社交媒体推文中检测虚假新闻？
- RQ2在真实社交媒体约束条件下，模型如何有效学习转发传播与用户交互的表征？
- RQ3双协同注意力机制能否通过识别可疑用户和虚假新闻中的关键词，提供可解释的预测？
- RQ4与基线方法相比，引入图感知用户交互建模是否能提升检测准确率？
- RQ5模型能否通过聚焦早期转发者实现虚假新闻的早期检测？
主要发现
- GCAN在真实推文数据集上的平均准确率比最先进方法高出16%，证明了其卓越的检测性能。
- 消融实验表明，图感知组件和双协同注意力机制均对性能有显著贡献，当移除原始推文时准确率下降最明显。
- 模型成功突出虚假新闻中具有戏剧性或煽动性的词语，如“breaking”和“strict”，与已知的误导性语言特征一致。
- GCAN基于非认证账号、用户简介长度短以及与源用户路径短等特征，识别出可疑转发者，提供了可解释的行为指标。
- 注意力可视化显示，早期转发者对虚假新闻检测至关重要，注意力权重集中于初始传播阶段。
- 案例研究证实，模型的解释合理，且与虚假新闻传播的已知模式一致，例如由低可信度用户快速传播。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。