基于多源特征动态融合的细粒度假新闻检测研究.pdfVIP

摘要

摘要

互联网技术的快速发展促使更多的用户从各种网络平台浏览新闻、表达观点，

网络新闻爆炸性增长，其中各种假新闻也层出不穷。基于深度学习的模型通过提

取新闻语义特征，在假新闻检测领域取得了巨大的成功，但仍存在诸多挑战。一

方面，新闻中包含丰富的信息，但这些类型不同的信息难以统一建模。另一方面，

现有模型专注于提升新闻事后检测性能，忽略了早期检测，并且对降低噪声信息

的研究也存在不足。针对这些问题，本文分别从融合多源信息和构建双通道注意

力网络设计了异质图模型，应用于细粒度假新闻检测任务。

针对新闻多源信息利用不充分、丢失新闻的高阶结构特征等问题，本文提出

了融合多源信息局部－全局关系的假新闻检测模型，该模型联合新闻和用户等信

息进行建模，构建了新闻－词和新闻－用户两个子图，模型首先构建了子图卷积

网络和投影层分别提取新闻内容特征和传播特征，然后融入局部注意力区分不同

节点的权重，最后搭建全局注意力网络衡量两个子图的权重，并最终实现细粒度

假新闻检测。

针对现有模型忽略了新闻各组成部分之间的交互、特征融合时引入大量噪声、

未兼顾假新闻早期检测性能等问题，本文提出了基于特征动态融合的双通道异质

图注意力假新闻检测模型。首先，通过构建新闻异质图，分别对新闻与词之间的

语义信息及新闻与用户之间的传播扩散信息进行建模。其次，基于新闻－词异质

图，构建语义信息提取器提取新闻高阶特征，并融入多头注意力机制区分不同节

点语义特征的权重。此外，基于新闻－用户异质图，构建带有时间戳和用户元属

性信息的传播扩散提取器捕获新闻的纵向传播和横向扩散特征，并集成注意力机

制学习不同节点及传播和扩散路径的权重。最后，特征动态融合模块将新闻语义

特征和传播扩散特征进行动态融合，从而获取节点的全局关系信息，有效地降低

噪声信息的影响。

在Weibo、Twitter15和Twitter16三个数据集上的实验表明本文提出的模型在

假新闻检测任务上性能更优，且对长短文本均适用，并实现了假新闻的早期检测。

关键词：多源信息；异质图；注意力机制；假新闻检测；早期检测

I

Abstract

Abstract

TherapiddevelopmentofInternettechnologyencouragesmoreuserstobrowse

newsandexpressopinionsonvariousnetworkplatforms.Netnewshasexploded,

amongwhichvariousfakenewshasemerged.Deeplearning-basedmodelshave

achievedgreatsuccessinfakenewsdetectionbyextractingsemanticfeaturesofnews,

butsomethingscouldstillbeimproved.Ontheonehand,newscontainedawealthof

information,butthesedifferenttypesofinformationweredifficulttomodeluniformly.

Ontheotherhand,someexistingmodelsfocusedonimprovingthepost-detection

performanceofnews,ignoringtheearlydetection.Inaddition,theresearchonnoise

reductioninformationwasalsoinsufficient.Tosolvetheseproblems,