author:魏静崎
2023年12月4日
研究方向：虚假信息检测

本周工作内容：

1、阅读论文Xie B, Ma X, Wu J, et al. Knowledge Graph Enhanced Heterogeneous Graph Neural Network for Fake News Detection[J]. IEEE T
创新：构造了一个知识图谱增强的异质图神经网络，将新闻内容、主题和实体建模为异质图，并使用图注意力自适应地汇聚来自异质图和实际知识图实体的相邻信息。
ps：异质图：表示多种类型的节点及它们之间的关系。
![[1702284619838.png]]

1、基于新闻内容的异质图建模模块，用于提取新闻中包含的新闻-实体，新闻-主题，实体-实体 三种类型的关系，以及与新闻、主题和实体相关的特征。
为了对这些关系建模，用了主题和实体提取模块，用于区分每集新闻中包含的有意义的实体及其潜在主题，衡量了n2t, n2e, e2e之间的相关性，建立了存储这些信息的异质图HG。
主题提取：采用隐含狄利克雷分配LDA探索每篇新闻的潜在主题。
实体提取：利用实体链接工具TAGME1从百科提取实体，并将新闻与其包含的实体链接。
特征提取：对新闻节点，用Word2Vec和TF-IDF初始化特征向量。对实体和主题节点，用独热编码和TF-IDF获取原始特征向量。
2、知识图学习模块：用于提取实体的背景知识。
提出KEHGNN-FD framework可以与不同的知识图谱表示方法共同工作。三元组<实体，关系， 实体>，通过训练每个实体都会被赋予一个向量表示，从而使相关实体s t会在潜在空间中根据它们之间的关系r链接它们。
3、基于注意力的异质图神经网络：通过聚合来自实体、主题和知识图谱的信息来生成高水平的新闻表示。
节点级嵌入：对异构图中中的三种节点类型，KEHGNN根据伴随他们的关系类型，评估其临近节点的影响，将它们嵌入到潜在空间中。尤其对每个实体节点，KEGNN使用两个单独的图注意力层来整合来自其临近实体和新闻的信息。
新闻嵌入聚合：对信息和特征进行聚合
4、分类器：输入图中所有生成新闻嵌入，但分类器仅通过n-train中标记的新闻进行训练，即分类器以半监督方式进行训练。

实验：
数据集：COVID-19，PAN2020，FakeNewsNet，Liar

结论：
使用不同策略从文本的各种特征中学习全面的节点表示。
利用外部知识图谱嵌入丰富的新闻信息。
基于注意力的GNN层能管住最重要的因素。

赏

谢谢你请我吃糖果

支付宝

微信