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

成为VIP会员查看完整内容
25

相关内容

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
专知会员服务
44+阅读 · 2020年9月3日
【ICML2020-浙江大学】对抗性互信息的文本生成
专知会员服务
43+阅读 · 2020年7月4日
【KDD2020】多源深度域自适应的时序传感数据
专知会员服务
61+阅读 · 2020年5月25日
ICML2020 图神经网络的预训练
图与推荐
12+阅读 · 2020年4月4日
7篇必读ACM MM 2019论文:图神经网络+多媒体
新智元
43+阅读 · 2019年11月9日
Arxiv
29+阅读 · 2020年3月16日
Arxiv
12+阅读 · 2019年2月26日
Arxiv
3+阅读 · 2018年6月18日
Arxiv
10+阅读 · 2017年11月22日
VIP会员
微信扫码咨询专知VIP会员