CIKM2020最佳论文出炉！NUS《图表示假新闻检测》摘获！

第29届国际计算机学会信息与知识管理大会（The 29th ACM International Conference on Information and Knowledge Management, CIKM 2020）于2020年10月19日-10月23日在线上召开。CIKM是CCF推荐的B类国际学术会议，是信息检索和数据挖掘领域顶级学术会议之一。本届CIKM会议共收到投稿920篇，其中录用论文193篇，录取率约为21%。本篇介绍来自NUS关于利用图表示假新闻检测工作，获得最佳长论文！

本文提出了一种新颖的图形化社会上下文表示和学习框架——事实新闻图(FANG)，用于假新闻检测。与之前的上下文模型以表现为目标不同，我们关注的是表示学习。与直推模型相比，FANG在训练方面具有可扩展性，因为它不需要维护所有节点，而且在推理时高效，不需要重新处理整个图。我们的实验结果表明，与最新的图形和非图形模型相比，FANG更善于将社会上下文捕捉到高保真的表现中。特别值得一提的是，FANG在假新闻检测方面取得了显著的改进，并且在训练数据有限的情况下具有较强的鲁棒性。我们进一步证明，FANG所学的表示可推广到相关任务，如预测新闻媒体报道的真实性。

https://dl.acm.org/doi/10.1145/3340531.3412046

概述：

社交媒体已经成为世界上许多人重要的信息来源。不幸的是，并非他们发布的所有信息都是真实的。在政治选举、疫情爆发等重大事件中，恶意发布[38]虚假信息，俗称“假新闻”，扰乱社会行为，扰乱公众公平理性。作为防治新冠肺炎的工作的一部分，世界卫生组织还处理了与感染和治疗[41]有关的致命虚假信息所造成的信息混乱。

许多网站和社交媒体都在努力甄别虚假信息。例如，Facebook鼓励用户报告不可信的帖子，并雇佣专业的事实核查人员来揭露可疑的新闻。手工事实核查也被诸如Snopes, FactCheck, PolitiFact和Full Fact等事实核查网站所使用。为了随着信息量的增加而扩大规模，自动新闻验证系统将外部知识数据库作为证据[13,34,42]。以证据为基础的方法可以达到很高的准确性并提供潜在的解释，但它们也需要相当大的人力努力。此外，基于文本证据的文本索赔的事实核查方法不容易适用于关于图像或录象的索赔。

FANG 框架

• 我们提出了一种新的图形表示，它模拟了所有主要的社会行动者及其交互作用。

• 我们提出了事实新闻图(FANG)，这是一个有效捕捉社会结构和参与模式的归纳图学习框架，从而提高了表现质量。

• 我们报告了使用FANG在假新闻检测方面的显著改进，并进一步证明了我们的模型在训练数据有限的情况下是稳健的。

• 我们表明，FANG学到的表征可推广到相关任务，如预测新闻媒体报道的真实性。

• 通过其周期性聚合器的注意机制，我们证明了FANG的可解释性。

附带可以关注其他提名的最佳论文！

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“FANG” 可以获取《NUS《图表示假新闻检测》》论文专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源