原文
《Meta-Path-based Fake News Detection Leveraging Multi-level
Social Context Information》
一 论文目标
本文提出使用元路径中的实例来无损失地提取有效信息,用于虚假新闻检测。
二 具体方法
1 构图和特征工程
如图2,数据处理过程其实就是分别对user节点和publisher节点做node2vec和doc2vec,然后将特征拼接起来。
2 元路径实例提取
- 可以看出上述特征是之前预处理过的
定义了两种元路径,根据target new从而把每张图分成两个子图,用户有按照时间先后进行排序(按照参与的时间先后进行排序,如右上图的p4,p3矩阵)
3 详细模型构造
3.1 节点特征转换
不同节点的维度不同,转换到相同维度
3.2 元路径实例编码
- 这里的思路是借鉴知识图谱中的嵌入,把知识图谱中的主谓宾拓展到该论文中提出的元路径(三个实例两个边关系)
- 上述每个p实例通过元路径嵌入可以得到对应的嵌入向量
3.3 元路径实例聚合
注意力部分:
对于用户部分,类似用户传播序列,采用gru:
3.4 语意聚合
最后两个输出的向量再加一个注意力权重,
最后是目标函数:
三 实验
- 左边的fake是虚假信息,右边的fake是误传信息。误传信息没有周期行为,没有出现周期性尖峰,跟真实信息一样很快趋于0。而虚假信息会被反复提及,会有周期性行为,与真实信息差异较大。
- FANG数据集中的fake是虚假信息,因此会有更多时序信息;用gru效果更好;而HealthStory中的fake是误传信息,用attention来捕捉其他信息会有更好效果。
- 只用30%的数据量就可以实现比其他方法用完整的数据集精度更高了
四 思考
用了元路径,嵌入过程把边关系也做了一个嵌入,因此学习到的向量可能更具有潜在信息