谣言检测论文分享（五） Fake News Detection via Knowledge-driven Multimodal Graph Convolutional Networks（KMGCN）

最新推荐文章于 2025-03-10 16:37:59 发布
最新推荐文章于 2025-03-10 16:37:59 发布
阅读量1.1k 收藏 4
点赞数 2
分类专栏： 假新闻检测 文章标签： 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_41964296/article/details/130793566
版权
本文提出了一种知识驱动的多模态图卷积网络(KMGCN)方法，通过联合建模文本信息、知识概念和视觉信息来检测假新闻。KMGCN利用图结构捕获长程语义特征，通过知识蒸馏获取背景知识，增强了假新闻检测的性能。在Twitter和Weibo数据集上的实验显示，KMGCN优于现有先进方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

了解本专栏 订阅专栏 解锁全文 超级会员免费看
谣言检测论文分享（一）
weixin_41964296的博客
03-26 2145
传统方法：主要采用用户特征、文本内容和传播模式等手工特征来训练有监督的分类器。如，决策树，随机森林，SVM等。然而，这些方法主要依赖于特征工程，非常耗时耗力。此外，这些手工设计的特征通常缺乏从谣言传播和散布过程中提取的更高层的表示。近期研究：利用了深度学习方法，从传播路径/树或网络中挖掘高级表示来识别谣言。许多深度学习模型，如长短期记忆（LSTM）、门控递归单元（GRU）和递归神经网络（RvNN）被使用，因为它们能够从谣言的时间传播中学习顺序特征。
假新闻检测论文分享（16）（KMGCN）Fake News Detection via Knowledge-driven Multimodal Graph Convolutional Networks
weixin_41964296的博客
10-19 380
社交媒体网站助长了各种假新闻，其中通常包含虚假甚至伪造的多媒体内容，以误导读者，迅速传播，因此，有必要和迫切地需要使用自动检测器，以防止假新闻造成严重的负面影响，使用户获得真实的信息。假新闻检测任务可以定义为一个二元分类问题，旨在将社交媒体上的声明分类为假新闻或非假新闻。在社交媒体假新闻检测社区中有两种类型的声明：帖子级（post）工作识别社交媒体的一个帖子是否为假新闻，而事件级（event）工作对构成事件的一组帖子进行假新闻检测。模型的目标是在post级别上识别一个帖子是否是假的。
多模态虚假新闻检测论文分享（1）MVAE: Multimodal Variational Autoencoder for Fake News Detection
weixin_44791273的博客
03-04 3683
仅使用帖子内容（即文本和附加图像）对社交媒体帖子进行假新闻检测
论文笔记：Reinforced Adaptive Knowledge Learning for Multimodal Fake News Detection
最新发布
Sun_victory的博客
03-10 618
如今，由于假新闻的广泛传播可能会引起不利的社会影响，检测多模式假新闻已成为人们最关注的问题。传统的方法通常侧重于捕捉在多模态内容中的语言和视觉语义，这并不能有效地区分高度细致的制作水平。最近，外部知识被引入，以提供有价值的背景事实作为补充，以促进新闻检测。然而，现有的知识增强工作通过静态实体嵌入直接合并了所有的知识上下文，从而导致了潜在的噪声和与内容无关的知识。此外，知识实体的集成使得很难对多模态语义和知识实体之间复杂的相关性进行建模。
Knowledge-aware Multi-modal Adaptive Graph Convolutional Networks for Fake News Detection
weixin_46226815的博客
04-20 310
Knowledge-aware Multi-modal Adaptive Graph Convolutional Networks for Fake News Detection
谣言检测论文阅读 - Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
qq_40671063的博客
01-04 2607
谣言检测论文阅读 - Rumor Detection on Social Media with Bi-Directional Graph Convolutional Networks
ACL 2020 论文——谣言检测_FakeNewsDetection_目标检测_GCAN_谣言_谣言检测_
10-01
本文解决了在更现实的社交媒体场景下的假新闻检测问题。给定源短文本推文和相应的没有文本评论的转发用户序列，我们的目的是预测源推文是否是假的，并通过突出可疑转发者的证据和他们关注的词语来产生解释。为了实现这一目标，我们提出了一种新的基于神经网络的模型--图感知协同注意网络(GCAN)。在真实推文数据集上进行的广泛实验表明，GCAN的平均准确率比最先进的方法高出16%。此外，案例研究还表明，GCAN可以给出合理的解释。
谣言检测论文精读——7.ICDM2019-Exploiting Multi-domain Visual Information for Fake News Detection
m0_51474171的博客
09-23 785
随着多媒体的发展，许多假新闻通过图像或者视频来吸引读者，所以视觉信息是新闻检测的重要内容，作者发现，在现实世界，假新闻在物理和语义层面与真实新闻有很大不同， 因此，作者提出了一种新颖的框架多域视觉神经网络（MVNN）来融合频域和像素域的视觉信息来检测假新闻。具体来说，作者设计了一个基于 CNN 的网络来自动捕获频域中假新闻图像的复杂模式；并利用多分支 CNN-RNN 模型从像素域中的不同语义级别提取视觉特征。利用注意力机制动态融合频域和像素域的特征表示。
谣言检测论文（二）
weixin_41964296的博客
03-21 1238
动态信息传播结构动态图卷积网络融合时序模块进行谣言检测
谣言检测论文分享（四）
weixin_41964296的博客
04-14 986
社交媒体网站助长了各种假新闻，其中通常包含虚假甚至伪造的多媒体内容，以误导读者，迅速传播，因此，有必要和迫切地需要使用自动检测器，以防止假新闻造成严重的负面影响，使用户获得真实的信息。假新闻检测任务可以定义为一个二元分类问题，旨在将社交媒体上的声明分类为假新闻或非假新闻。在社交媒体假新闻检测社区中有两种类型的声明：帖子级（post）工作识别社交媒体的一个帖子是否为假新闻，而事件级（event）工作对构成事件的一组帖子进行假新闻检测。模型的目标是在post级别上识别一个帖子是否是假的。
AAAI 2022 论文列表
热门推荐
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
谣言检测论文精读——3.WWW2018-Detect Rumor and Stance Jointly by Neural Multi-task Learning
m0_51474171的博客
09-16 1006
谣言帖子经常在参与用户中引发多变的、主要是有争议的立场。因此，确定相关帖子的立场可能与成功检测谣言有关。我们提出了一个联合框架，统一了两个高度相关的任务，即谣言检测和立场分类。基于深度神经网络，我们使用权重共享联合训练两个任务以提取共同和任务不变的特征，而每个任务仍然可以学习其特定于任务的特征。然而，据观察，反对谣言的怀疑和反对声音总是随着谣言的传播而出现，作为表明信息真实性的有用指标。识别谣言以及分析对相关信息的各种立场，对于早期预防谣言传播以尽量减少其负面影响是有意义和有益的。
【论文解读 ICMR 2020 | KMGCN】Fake News Detection via Knowledge-driven Multimodal GCN
byn12345的博客
07-23 5212
论文题目：Fake News Detection via Knowledge-driven Multimodal Graph Convolutional Networks 论文来源：ICMR 2020 论文链接：https://doi.org/10.1145/3372278.3390713 关键词：假新闻检测；多模态；知识；图卷积 文章目录1 摘要2 引言3 方法3.1 问题定义3.2 整体框架3.3 知识蒸馏3.4 多模态内容的图构建3.5 知识驱动的多模态图卷积网络（KMGCN）4 实验4.1 实验.
谣言检测论文精读——8.KDD2018-EANN：Event Adversarial Neural Networks for Multi-Modal Fake News Detection
m0_51474171的博客
09-24 1606
作者指出：社交媒体上假新闻检测的独特挑战之一是如何识别新出现的事件的假新闻。不幸的是，大多数现有方法几乎无法应对这一挑战，因为它们倾向于学习无法转移到未见过事件的特定于事件的特征。然后作者提出了一个名为 Event Adversarial Neural Network (EANN) 的端到端框架，它可以派生事件不变的特征，从而有利于检测新到达事件的假新闻。它由三个主要组件组成：多模态特征提取器、假新闻检测器和事件鉴别器。多模态特征提取器负责从帖子中提取文本和视觉特征。
谣言检测论文分享（三）
weixin_41964296的博客
03-26 1327
分析表明，如果谣言是假的，人们往往会停止传播(Zubiaga et al.， 2016b)。然而，识别这些虚假信息并非易事，需要新闻调查对可疑声明进行事实核查，这是一项劳动密集型和耗时的工作。社交媒体的泛滥使信息负荷和动态性不断增加，使情况变得更糟。因此，需要开发自动化和辅助的方法以方便实时的谣言追踪和揭穿。为了自动化谣言检测，之前的研究大多集中在基于特征工程的监督模型从序列微博流中进行文本挖掘(Castillo et al.， 2011;Kwon等人，2013;刘等，2015;
多模态假新闻检测的增强自适应知识学习（Reinforced Adaptive Knowledge Learning for Multimodal Fake News Detection）
qq_52053775的博客
05-12 620
当前虚假新闻检测方法通常只依赖于文本或视觉内容的语义特征，在没有背景知识的前提下，无法有效区分精心制作的假新闻。此外，现有的知识增强检测方法通常使用静态的实体嵌入来整合外部知识，这可能会引入噪声和与内容无关的知识，且难以处理多模态语义和知识实体之间复杂的关系。自适应知识子图生成：模型采用强化学习方法，针对每条新闻动态生成一个包含最相关知识事实的紧凑知识子图。这种方法可以有效地选择与新闻内容最相关的知识路径。异构新闻图的构建与细化。
【论文阅读】Multimodal Fusion with Co-Attention Networks for Fake News Detection --- 虚假新闻检测，多模态融合
me_yundou的博客
11-21 1万+
本博客系本人理解该论文之后所写，非逐句翻译，预知该论文详情，请参阅论文原文。 论文标题：Multimodal Fusion with Co-Attention Networks for Fake News Detection； 作者：Yang Wu, Pengwei Zhan, Yunjian Zhang, Liming Wang, Zhen Xu； 中国科学院大学； 出处：ACL 2021； 摘要： 靠人工识别谣言是费时费力的，所以急需自动识别谣言的模型。但是现有谣言检测模型在融合多模态特征方面
【学习记录】基于知识图谱的虚假新闻检测
GreenYuYou的博客
04-29 4486
“基于知识图谱的虚假新闻检测”，要解决的关键词大致包含了“知识图谱”、“虚假新闻检测”，以及如何将它们联系起来，并且找到创新点。 一些灵感 图神经网络和知识图谱结合“知识图谱+”系列：知识图谱+图神经网络 - 知乎 实时检测和知识图谱结合 “一对多”transE的变种年末巨制：知识图谱嵌入方法研究总结 - 知乎 小样本知识增强小样本学习综述: 三大数据增强方法 - 知乎 给传播过假新闻的社交媒体用户加入权重概念，即若传播者曾传播过假新闻，则其权重降低或该新闻虚假程度增高。 小事件的假新闻...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

weixin_41964296

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值