GNN_for_Fake_News_Detection
所属分类：图神经网络
开发工具：Python
文件大小：0KB
下载次数：0
上传日期：2024-04-07 11:19:55
上 传 者：
sh-1993
说明： 新闻在传统意义上应该是包含丰富语义信息的长文本,但网络上充斥着大量信息含量较少、表述不规范的短文本,其包含着丰富的上下文辅助信息,对该类新闻消息进行有效的甄别将成为研究的重点。本研究主要包含以下两个方面:
(In the traditional sense, news should be a long text containing rich semantic information, but the network is full of a large number of short texts with less information content and non-standard expression, which contain rich contextual auxiliary information. This study mainly includes the following two aspects:)
文件列表:
GNN-for-Fake-News-Detection/
# GNN_for_Fake_News_Detection
### Introduction
将假新闻检测视为**图分类**和**节点分类**问题，比较这两种方法在性能和适用范围上的差异。其中图分类方法采用TextING，节点分类方法采用TextGCN。
在图分类问题中，构建每个新闻文档的独立图，借助门控图神经网络学习每个节点的细粒度表示，然后将所有节点信息聚合成文档级表示。
在节点分类问题中，构建基于整个语料库的异构图，并利用图注意力网络来捕捉全局共现信息，学习预测性的单词和文档嵌入，进而识别假新闻。
#### Result and Analysis
| Dataset | TextING | TextGCN |
| :-------: | :-----: | :-----: |
| GossipCop | 79.22% | 80.13% |
| PolitiFact | 84.22% | 85.13% |
通过表格，可以发现TextGCN在性能上略优于TextING。个人认为这种性能差距是因为TextGCN的全局共现特性更能学习到整个语料库的特征。TextGCN能够更好地捕捉文本数据中的全局关系和语境信息，从而对语料库的特征有更全面的理解。相比之下，TextING可能更注重局部特征的学习，对于整个语料库的特征表达可能略显不足，导致其在性能上稍逊于TextGCN。
尽管两者性能差距并不明显，但是基于图分类的方法有一个巨大优势——**归纳式学习**，即**从训练样本中学习的规则可以直接应用在测试样本中**。而基于节点分类的方法却是**直推式学习**，它需要**同时使用训练样本和测试样本来训练模型**，这就意味着当面临一个全新的数据时，需要重新训练模型。
综上所述，基于图分类的方法更适用于**及时、快速地对少量样本进行识别**。而基于节点分类的方法更适用于**对大量样本进行准确地识别**。
我的目的是开发一个假新闻检测系统，系统场景是用户可以自己输入新闻文本，模型对其进行自动识别。很明显，场景特点更符合图分类方法，所以后续系统开发会选择基于图分类的方法。
#### Reference
[1] Zhang Y, Yu X, Cui Z, et al. Every document owns its structure: Inductive text classification via graph neural networks[J]. arXiv preprint arXiv:2004.13826, 2020.
[2] Yao L, Mao C, Luo Y. Graph convolutional networks for text classification[C]//Proceedings of the AAAI conference on artificial intelligence. 2019, 33(01): 7370-7377.
近期下载者：
相关文件：
收藏者：