【TheWebConf 2022】基于图神经网络的细粒度语义挖掘方法研究

假新闻的流行和危害性一直是互联网上的一个关键问题，这反过来刺激了自动假新闻检测的发展。在本文中，我们关注的是循证假新闻检测，其中几个证据被用来调研新闻的真实性(即一个声明)。以往的方法首先采用顺序模型嵌入语义信息，然后根据不同的注意力机制捕获索赔-证据交互。尽管这些措施行之有效，但它们仍存在两个主要弱点。首先，由于序列模型固有的缺陷，不能将分散在证据中的相关信息整合起来进行准确性检验。其次，他们忽视了证据中包含的许多多余的信息，这些信息可能是无用的，甚至是有害的。为了解决这些问题，我们提出了一个统一的基于图的语义结构挖掘框架，简称GET。具体来说，不同于现有的将索赔和证据视为序列的工作，我们将其建模为图结构数据，并通过邻域传播捕获分散的相关片段之间的长距离语义依赖关系。在获取上下文语义信息后，我们的模型通过图结构学习来减少信息冗余。最后，细粒度的语义表示被输入到下游的索赔-证据交互模块中进行预测。综合实验已经证明了GET技术相对于SOTA技术的优越性。

https://www.zhuanzhi.ai/paper/34ca1b417712f223646fcd7ac5788cc5