目录
一、摘要
在这篇论文里，提出了一个端到端的模型CompareNet，通过假新闻中的实体对比较了新闻和知识库（KB）。
考虑到假新闻和主题也相关，我们也利用了主题去丰富新闻的表示。
具体来说：
（1）我们首先为每个包含主题和实体的新闻构建一个有向异构文档图。
（2）在这个图的基础上，我们开发了一个异构图注意网络来编码新闻内容。
（3）通过实体比较网络，将上下文实体与相应的基于KB的实体进行比较，获得新闻内容与KB之间的一致性。
（4）最后，将结合了实体比较特征的新闻表示送进分类器。
二、介绍
（1）现有方法的缺点：
a) 没有考虑到文档中句子的互动【真新闻和假新闻有不同的互动模式】
b) 不能充分利用外部知识库【wiki百科有 主-谓-宾 元组 和 实体描述】
（2）作者的做法：
a) 构建 a directed heterogeneous document graph，包含了句子，主题，实体作为节点。
句子之间是双向连接 + 句子和主题之间双向连接 + 句子和实体直接单向连接（原因：学习到新闻的上下文表示，又能保证真实的实体知识对新闻的影响）
b) 开发 a heterogeneous graph attention network 去学习主题丰富的新闻表示和上下文实体表示。
将学习到的上下文实体表示和实体比较网络的相应实体对进行比较，以获取新闻内容与外部知识库之间的语义一致性。
c) 结合主题丰富的新闻表示和实体比较特征进入分类器。
【作者将代码和数据集开源：https://github.com/ytc272098215/FakeNewsDetection】
（3）本文的贡献：
1、提出了CompareNet结合了外部知识（通过实体）。
2、在CompareNet中，构建了一个包含了主题和实体的图，并且开发了相应的注意力网络去学习主题丰富的新闻表示，还利用了一个新的实体比较网络去比较新闻和KB。
3、大量的实验证明，结合外部信息和主题信息有用。
三、相关工作
基于社交的假新闻检测
用户个人资料、社会关系、基于立场、基于传播
基于内容的假新闻检测
句子之间的交互、依赖于构图的质量
四、模型
有向异构文档图
对于每一篇文档，构建一个有向异构图。
节点：
sentences S + topics T + entities E
边：
将新闻文件分割成一组句子，边之间双向连接。
每个句子被当成伪文档，被分到top P个相关的主题（使用无监督的LDA）。双向连接。
识别文档中的实体并映射到wikipedia【使用链接工具TAGME】。单向连接，句子->实体
异构图卷积
对节点的编码：
对句子s：使用LSTM去编码 s={w1,w2...wm}得到特征向量
对实体e：以在KB中学到的实体表示。（下文会提到）
对主题t：以one-hot编码表示
下一步：
:代表了所有节点的特征。每一行（维度M）就是一个节点（共|V|个）的特征。
A：邻接矩阵
D：degree矩阵
第 l+1 层的表示：
公式理解：
表示的是节点类型。
：代表的是注意力矩阵，行代表所有节点，列表示类型为
的邻居节点
（如何计算？以第v行第
列为例）
v是注意力向量，是type-level的注意力权重，
是当前节点v的表示，
是邻居节点
的表示。
（如何计算?）
（如何计算?）
.........
：是变化矩阵，将不同特征空间的向量投影到同一空间中。
最终，我们得到了句子节点（）和实体节点(
)的表示向量。
实体比较网络
基于KB的实体表示
本节将介绍如何利用KB里的 结构化的 主谓宾 triplets 和非结构化的实体描述去学习实体表示。
结构化embedding：
使用TransE，对于给定的（h,r,t），TransE将关系r作为翻译向量（从头h到尾t的翻译向量，即h+r=t）
文本embedding：
对于每个实体，使用wiki的第一段话作为描述。使用LSTM编码描述得到
门控：
实体比较
计算出比较向量
最终得到了比较向量(通过对
进行max-pooling)
模型训练
C:比较向量
：文档表示向量
好多问题、、
773
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
