论文阅读笔记：Towards Fine-Grained Reasoning for Fake News Detection

Towards Fine-Grained Reasoning for Fake News Detection

author={Jin, Yiqiao and Wang, Xiting and Yang, Ruichao and Sun, Yizhou and Wang, Wei and Liao, Hao and Xie, Xing},
journal={arXiv preprint arXiv:2110.15064},
year={2021}
论文链接：https://arxiv.org/abs/2110.15064

• 提出了一个细粒度的推理框架FinerFact，通过遵循人类的信息处理模型，引入了一种基于相互强化的方法来整合人类对哪些证据更重要的知识，并设计了一个先验感知的双通道核图网络来建模证据片段之间的细微差异。
  1)更好地反映了人类思维的逻辑过程 2)实现了对细微线索的细粒度建模。

以数据驱动的方式来检测假新闻的神经网络缺点：

1. 缺乏可解释性
2. 准确性低：缺乏细粒度推理能力：它们要么不对不同类型的证据之间的交互进行建模，要么在粗粒度（例如句子或后）水平上对它们进行建模。

其中一个例子如图1所示。尽管这四组证据在语义上是不同的，但人类可以在逻辑上用微妙的线索将它们联系起来，比如单词的“property”一词，这导致了对这篇文章更肯定的结论。例如，根据“property”的推理表明，在 Clintons的property中找到尸体（证据组1）的指控可能是错误的，因为这些妇女在克林顿夫妇购买财产之前就已经死了（证据组3）。关于“hate”的推理表明，第1组和第2组的用户可能会发布虚假信息，因为他们讨厌Clintons夫妇。在组1和第2组用户之间的重叠进一步加强了这一建议。

FinerFact的框架

1. 第一个模块：Claim-Evidence Graph Construction
   索赔-证据图构造，对应于人类信息处理模型的存储子过程，在该模型中，人们选择最重要的信息片段，并建立它们之间的关联，将它们存储在记忆中。作为假新闻检测，它对应的过程是搜索关键信息，如主要观点、最重要的帖子，这使他们能够了解关键声明及其相关证据（例如，受支持的帖子和用户）。这一步对于过滤噪声、组织事实和加快后期阶段的细粒度推理过程是必不可少的。

   1)mutual-reinforcement-based evidence ranking基于相互强化的证据排名，通过结合人类知识（过滤噪声）来区分重要证据和噪声；
   2)topic-aware claim-evidence association，根据记者对高质量新闻的知识，提取关键声明，并将其与相应的证据（组织事实）联系起来。

2. 第二个模块：Graph-Based Fine-Grained Reasoning
   基于图的细粒度推理，对应于人类信息处理模型的检索子过程，在该过程中，人们根据他们的决策关联重新激活特定的信息片段。在假新闻检测中，该模块通过考虑微妙的线索，如“属性”、“仇恨”、重叠用户等，实现了对证据关系的细粒度建模。

下图是用 FinerFact 推理的示意图。（a）互强化图 M 的关键词层，显著性 R 由字体大小表示；（b）对断言证据图 G 的细粒度推理。每种颜色编码一个主题。