WWW2022 | 采用推荐系统打击虚假新闻

嘿，记得给“机器学习与推荐算法”添加星标

---

本文所介绍被CCF A类会议WWW2022接收的题为《Veracity-aware and Event-driven Personalized News Recommendation for Fake News Mitigation》的论文。该论文所关注的问题是如何从个体用户的角度有效地减少假新闻（fake news）的传播。现有假新闻控制策略（fake news mitigation strategies）主要是采取策略来控制假新闻在整个社交网络中的传播，而不能从用户层面有针对性地减缓假新闻在他们中的传播和及对他们的影响，从而难以满足对不同用户采取有针对性的干预策略来减缓假新闻传播的需求。

本文所提出的Rec4Mit模型创新性地引入推荐系统来打击假新闻的传播。一方面， 该方法通过输入用户阅读过的历史新闻来探测用户在新闻阅读中关注的新闻事件（event）以及关注的前后事件之间的关联来预测用户接下来可能会感兴趣的事件。另一方面，该方法采用一个新闻真假检测模块来对候选新闻的真假性进行检测，从而将假新闻过滤掉。综合两方面的作用，该模型最后通过给用户推荐他们所关注的事件下的真新闻来达到新闻推荐和打击假新闻的目的。

论文的信息为：

Shoujin Wang, Xiaofei Xu, Xiuzhen Zhang, Yan Wang, and Wenzhuo Song. 2022. Veracity-aware and Event-driven Personalized News Recommendation for Fake News Mitigation. In Proceedings of the ACM Web Conference 2022 (WWW ’22), April 25–29, 2022, Virtual Event, Lyon, France. ACM, New York, NY, USA, 12 pages.

https://doi.org/10.1145/3485447.3512263

1. 引言

随着社交媒体的快速发展，假新闻因其对社会的严重危害性获得了各国政府和社交媒体平台越来越多的关注。作为一个崭新且重要的科学问题，假新闻控制的目标是抑制假新闻在社交媒体平台用户间的传播。近年来，学术界提出了多种先进的假新闻检测算法，并在各平台获得了广泛应用，但仍然不能有效抑制真实场景中假新闻的传播。其原因之一是大多数现有工作通过促进真新闻的传播来反制假新闻，将假新闻的控制问题转化为真新闻在社交网络上最大化传播的优化问题。然后采用独立级联模型（Independent Cascade, IC）、线性阈值模型（Linear Threshold, LT）、点过程模型或增强学习等算法来建模真新闻的传播过程。然而，这种策略一方面只能专注于整个社交网络的假新闻控制问题，不能为具有不同行为模式的