图形增强型变压器组合框架,用于在社交媒体生态系统中强大而可扩展的假新闻检测

科学领域:

• 人工智能的人工智能
• 计算机科学 计算机科学
• 信息科学 信息科学 信息科学

背景情况:

• 社交媒体上虚假信息的传播对论和民主机构构成重大威胁.
• 传统的事实核查方法对于现代虚假信息运动的规模和速度是不够的.
• 迫切需要可扩展,自动化和智能化的假新闻检测系统.

研究的目的:

• 引入一个新的混合模型,图形增强型变压器组合 (GETE),用于高效和可扩展的假新闻检测.
• 为了提高检测准确性,利用新闻传播的语言和关系特征.
• 开发一种能够在现实,杂环境中可靠运行的自适应系统.

主要方法:

• 开发了一种混合模型,将基于变压器的语言模型 (BERT,RoBERTa) 与图形神经网络 (GNN) 集成在一起.
• 使用用户-新闻交互和来源可信度图来捕捉关系特征,构建了GNN.
• 实施了一种超学习合体策略,以动态融合语言和基于图形的特征.

主要成果:

• 在FakeNewsNet和LIAR数据集上实现了最先进的性能,准确率为96.5%,F1得分为96.5%.
• 与基线方法相比显著改善,F1得分提高了4.2%,AUC提高了5.6%.
• 在各种数据分布中展示了增强的可扩展性,可解释性和稳定性.

结论:

• GETE框架为下一代假新闻检测系统提供了坚实的基础.
• 语义理解和关系建模的整合在准确性和概括性方面提供了协同优势.
• GETE的适应性决策能力提高了其在现实世界复杂场景中的表现.