用记忆绘制全球关注网络图形:用于假新闻检测的深度学习方法

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 社交媒体分析 社交媒体分析

背景情况:

• 社交媒体上虚假新闻的快速传播带来了重大的社会风险,包括错误信息和信任侵蚀.
• 传统的检测方法难以应对社交媒体数据的复杂性和规模.
• 深度学习,特别是自然语言处理 (NLP),为分析文本和网络数据提供了先进的功能.

研究的目的:

• 引入一种新的深度学习方法,即GRAPH全球注意力网络与内存 (GANM),用于增强假新闻检测.
• 利用NLP在社交媒体网络中编码新闻和用户背景.
• 提高虚假新闻识别系统的准确性和稳定性.

主要方法:

• 利用NLP将新闻背景和用户内容编码为节点表示.
• 采用三个图形卷积网络从新闻传播网络中提取特征.
• 集成的内源和外源用户信息聚合.
• 开发了一个具有记忆的全球注意力机制,以捕捉新闻传播图表中的结构同质性.
• 实现了部分关键信息学习聚合模块,以合并节点级和图形级嵌入.

主要成果:

• GANM模型在真实世界数据集上展示了有希望的性能,用于检测假新闻.
• 全局和部分信息学习的结合在捕捉复杂的网络动态方面被证明是有效的.
• 具有记忆力的新注意力机制增强了模型从历史图形结构中学习的能力.

结论:

• 拟议的GANM为虚假新闻检测研究提供了一个新的,有效的方向.
• 全球和部分信息处理的整合为分析新闻传播提供了更全面的方法.
• GANM显示了在打击社交媒体平台上的错误信息方面实际应用的潜力.