介绍：
假新闻、虚假或误导性信息作为新闻呈现，已经 对社会的许多方面产生重大影响，例如在政治或 医疗保健领域。因此，为了处理这个问题，最近很多假货 已经提出了新闻检测方法，主要集中在 将自然语言处理 (NLP) 技术应用于 新闻内容。然而，考虑到即使是人也不能轻易 通过新闻内容区分假新闻，这些基于文本的解决方案 不够。为了进一步改进假新闻检测，研究人员提出了基于图的解决方案，利用 社会背景信息，例如参与新闻的用户 或发布新闻的出版商。然而，现有的基于图的方法仍然存在以下四个主要缺点：
- 大量用户节点导致计算成本高昂 在图中，2）子任务中的错误，例如文本编码或 立场检测传播到最终的新闻检测损失，3）新闻图的同构表示处理不同类型 节点和边相同，因此难以学习 具有丰富社会背景的新闻表征，以及 4) 时间性 最终新闻表示中缺少信息。为了 为了克服上述问题，我们提出了一种新颖的社交 基于上下文感知的假新闻检测方法，Hetero-SCAN 在异构图神经网络上。 Hetero-SCAN 学习 来自新闻异构图的新闻表示 一种端到端的方式。我们证明 Hetero-SCAN 产生 与最先进的基于文本和基于图形的假新闻检测方法相比，在性能和 效率
总结：
假新闻是一个严重的社会问题，威胁着社会的许多方面 大众的生活。虽然有几种方法 在检测假新闻方面，他们仍然有局限性。在这项工作中，我们 提出了一种新颖的社会情境感知假新闻检测方法 基于异构图神经网络，Hetero-SCAN。我们的 模型克服了以往基于图的缺点 接近并展示了最先进的性能。此外，我们凭经验展示了对现有技术的改进 基于图神经网络的方法。我们的结果还通过澄清错误信息和虚假信息提供了洞察力 它们不同的传播特性。 HeteroSCAN 的这些属性可以帮助未来的研究，而不仅仅是假新闻 检测以及有关虚假信息的各种事件
