【论文解读 ASONAM 2019】Semi-Supervised Learning and Graph Neural Networks for Fake News Detection

论文题目：Semi-Supervised Learning and Graph Neural Networks for Fake News Detection

论文链接：https://ieeexplore.ieee.org/document/9073625

代码链接：无

关键词：半监督学习；GNN；假新闻检测

这篇文章就2页，简单记录一下。

1 引言

本文解决的是假新闻检测问题。

作者提出基于图的半监督假新闻检测框架。作者认为基于图的模型表达能力较强，可以捕获文章间的上下文依赖，缓解标签不足的问题。

本文提出的框架由三部分组成：1）得到文章在欧式空间的嵌入表示；2）构建文章相似图；3）使用图学习算法推断缺失的标签。

贡献点：

（1）使用词嵌入在低维的欧式空间得到新闻文章的表示，然后使用基于图的表示捕获文章间的上下文相似度。

（2）将假新闻检测问题看成是半监督的图学习任务，使用GNN框架在标注数据有限的情况下得到较好的效果。

（3）在假新闻数据集上进行实验，本文提出的方法超越了之前的基于内容的方法，并且需要更少的标注数据。

2 方法

模型概览如图1所示。$M$表示文章数。

本文的基于图的模型由以下三部分组成：

（1）文章的嵌入：使用预训练的Glove词向量，计算文章中所有单词嵌入的平均，作为该文章的嵌入表示。

（2）图的构建：文章作为图中的节点，对于每个文章，基于在嵌入空间中的欧氏距离为其选取$k$个最近的邻居，构建连边。

（3）分类：使用两个GNN方法，即GCN和AGNN（注意力图神经网络）

3 实验

数据集

在[1]中的数据集上进行实验，该数据集一共有150个标注的文章，75为真，75为假。

4 结论

本文聚焦于基于文本的虚假信息检测，假设有标签的文章数很有限，使用半监督的方法预测未标注的文章是否是假新闻。

数据集不是这个领域广泛应用的数据集，并且数据量太少，实验对比的baselines也没有这个领域比较新的方法。

参考文献

[1] Horne, B. D., and Adali, S. (2017). This just in: fake news packs a lot in title, uses simpler, repetitive content in text body, more similar to satire than real news. In ICWSM Workshops.