小知识，大挑战！本文正在参与“ 程序员必备小知识 ”创作活动
本文同时参与 「掘力星计划」 ，赢取创作大礼包，挑战创作激励金
介绍： 我们提出了事实新闻图 (FANG)，这是一种新颖的图形社交上下文表示和假新闻学习框架 检测。 与之前针对目标的上下文模型不同 性能，我们的重点是表示学习。 比较的 对于转导模型，FANG 在训练中是可扩展的，因为它没有 必须维护所有节点，并且在推理时高效， 无需重新处理整个图形。 我们的实验 结果表明 FANG 更擅长捕捉社会背景 与最近的图形相比，高保真表示 和非图形模型。 特别是，FANG 产生了显着的 对假新闻检测任务的改进，并且它是健壮的 在训练数据有限的情况下。 我们进一步证明 FANG 学习到的表征推广到相关任务， 例如预测新闻媒体报道的真实性。
总结：
社交媒体已成为重要的信息来源对于世界各地的许多人。不幸的是，并非他们发布的所有信息都是真实的。在政治选举或选举等重大事件期间大流行的爆发，带有恶意的虚假信息 [38]，俗称“假新闻”，会扰乱社会行为、公众 公平、理性。作为抗击 COVID-19 的一部分， 世界卫生组织还解决了由 与感染和治愈相关的致命虚假信息 [41]。 许多网站和社交媒体都致力于识别 虚假信息。例如，Facebook 鼓励用户报告不可信的帖子并聘请专业的事实核查员 揭露可疑消息。手动事实检查也用于 事实核查网站，例如 Snopes、FactCheck、PolitiFact 和 完整的事实。为了随着信息量的增加而扩展，自动新闻验证系统将外部知识数据库视为证据[13,34,42]。循证方法 实现高精度并提供潜在的可解释性，但它们 还需要相当多的人力。此外，基于文本证据的文本声明的事实检查方法并不容易 适用于有关图像或视频的声明。 最近的一些工作又发生了翻天覆地的变化，并探索了新闻传播过程的语境特征。他们观察到 当社交用户面对虚假新闻与真实新闻时的独特参与模式 [17, 25]。例如，显示的假新闻 表 1 在发布后不久就有了许多约定。这些 主要是带有负面情绪的逐字再循环 原帖由典型的骇人听闻的假冒内容解释 消息。在那个短暂的时间窗口之后，我们看到质疑新闻有效性的否认帖子，立场分布趋于稳定 之后几乎没有任何支持。相比之下，表 1 中的真实新闻示例调用了适度参与，主要包括 具有中性情绪且迅速稳定的支持性帖子。 用户感知的这种时间变化是重要的信号 用于区分假新闻和真新闻。 以前的工作提出了社会背景的部分表示 以 (i) 新闻、来源和用户为主要实体，以及 (ii) 立场， 友谊和出版作为主要的互动 [16, 32, 33, 39]。 然而，他们并没有过多地强调表示的质量、实体的建模及其交互，并且最低限度地强调 完全受监督的设置。
