Розпізнавання фейкових новин у Twitter за допомогою графових нейронних мереж

Автор(и)

  • Віктор Михайлович Синєглазов Національний авіаційний університет, Київ https://orcid.org/0000-0002-3297-9060
  • Кирило Ігорович Билим Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

DOI:

https://doi.org/10.18372/1990-5548.78.18259

Ключові слова:

розпізнавання фейкових новин, графові нейронні мережі, Twitter, бінарна класифікація, об’єднання графів

Анотація

Цю статтю присвячено інтелектуальному обробленню текстової інформації з метою виявлення рейкових новин. Для розв’язання поставленого завдання запропоновано використання глибоких графових нейронних мереж. Виявлення фейкових новин з урахуванням уподобань користувачів доповнено більш глибокими топологіями графових нейронних мереж, що включають в себе Hierarchical Graph Pooling with Structure Learning, для покращення операції згортки графа і захоплення більш багатих контекстних зв'язків у графах новин. У статті представлено можливості розширення фреймворку виявлення фейкових новин з урахуванням уподобань користувачів за допомогою глибоких графових нейронних мереж для покращення розпізнавання фейкових новин. Оцінка на наборі даних FakeNewsNet (підмножина Gossipcop) з використанням фреймворків PyTorch Geometric і PyTorch Lightning демонструє, що розроблена глибока модель графової нейронної мережі досягає 94% точності в класифікації фейкових новин. Результати показують, що більш глибокі графові нейронні мережі з інтегрованими текстовими та графовими функціями пропонують перспективні варіанти для надійного і точного виявлення фейкових новин, прокладаючи шлях до підвищення якості інформації в соціальних мережах та за їх межами.

Біографії авторів

Віктор Михайлович Синєглазов , Національний авіаційний університет, Київ

Доктор технічних наук

Професор

Завідувач кафедрою авіаційних комп’ютерно-інтегрованих комплексів

Факультет аеронавігації електроніки і телекомунікацій

Кирило Ігорович Билим , Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського»

Магістрант

Кафедра штучного інтелекту

Інститут прикладного системного аналізу

Посилання

Americans Who Mainly Get Their News on Social Media Are Less Engaged, Less Knowledgeable, Website, 2020 https://www.pewresearch.org/journalism/2020/07/30/americans-who-mainly-get-their-news-on-social-media-are-less-engaged-less-knowledgeable/

K. Shu, A. Sliva, S. Wang, J. Tang, and H. Liu, “Fake news detection on social media: A data mining perspective,” ACM SIGKDD Explorations Newsletter, vol. 19, no. 1, pp. 22–36, 2017. https://doi.org/10.1145/3137597.3137600

T. Bian, X. Xiao, T. Xu, P. Zhao, W. Huang, Y. Rong, and J. Huang, “Rumor detection on social media with bi-directional graph convolutional networks,” in AAAI, vol. 34, no. 01, 2020, pp. 549–556. https://doi.org/10.1609/aaai.v34i01.5393

Michael M. Bronstein, Joan Bruna, Taco Cohen, Petar Veličković, Geometric Deep Learning: Grids, Groups, Graphs, Geodesics, and Gauges. https://doi.org/10.48550/arXiv.2104.13478

T. N. Kipf and M. Welling, “Semi-supervised classification with graph convolutional networks,” in Proc. of ICLR, 2017. https://doi.org/10.48550/arXiv.1609.02907

P. Veličković, G. Cucurull, A. Casanova, A. Romero, P. Lio, and Y. Bengio, “Graph attention networks,” arXiv preprint arXiv:1710.10903, 2017 https://doi.org/10.48550/arXiv.1710.10903

W. Hamilton, Z. Ying, and J. Leskovec, “Inductive representation learning on large graphs,” NeurIPS, 2017. https://doi.org/10.48550/arXiv.1706.02216

Keyulu Xu, Weihua Hu, Jure Leskovec, and Stefanie Jegelka. How powerful are graph neural networks? arXiv preprint arXiv:1810.00826, 2018. https://doi.org/10.48550/arXiv.1810.00826

Scarselli, Franco; Gori, Marco; Tsoi, Ah Chung; Hagenbuchner, Markus; Monfardini, Gabriele (2009). “The Graph Neural Network Model,” IEEE Transactions on Neural Networks, 20(1): 61–80. https://doi.org/10.1109/TNN.2008.2005605

Alessio Micheli, “Neural Network for Graphs: A Contextual Constructive Approach,” IEEE Transactions on Neural Networks, 20(3): 498–511. https://doi.org/10.1109/TNN.2008.2010350

Dzmitry Bahdanau, Kyunghyun Cho, and Yoshua Bengio, “Neural machine translation by jointly learning to align and translate,” International Conference on Learning Representations (ICLR), 2015. https://doi.org/10.48550/arXiv.1409.0473

Understanding Pooling in Graph Neural Networks https://doi.org/10.48550/arXiv.2110.05292

Hierarchical Graph Pooling with Structure Learning https://doi.org/10.48550/arXiv.1911.05954

K. Church and P. Hanks, “Word association norms, mutual information, and lexicography,” Computational linguistics, vol. 16, no. 1, pp. 22–29, 1990. https://dl.acm.org/doi/10.3115/981623.981633

https://doi.org/10.1145/3485447.3512163

Clint Burfoot and Timothy Baldwin, “Automatic satire detection: Are you having a laugh?,” In Proceedings of the ACL-IJCNLP 2009 conference short papers, 2009, pp. 161–164. Association for Computational Linguistics. https://doi.org/10.3115/1667583.1667633

V. Vaibhav, R. Mandyam, and E. Hovy, “Do sentence interactions matter? leveraging sentence level representations for fake news classification,” in Proceedings of the Thirteenth Workshop on Graph-Based Methods for Natural Language Processing, 2019, pp. 134–139. https://doi.org/10.48550/arXiv.1910.12203

K. Shu, D. Mahudeswaran, S. Wang, D. Lee, and H. Liu, “Fakenewsnet: A data repository with news content, social context, and spatiotemporal information for studying fake news on social media,” Big data, vol. 8, no. 3, pp. 171–188, 2020. https://doi.org/10.48550/arXiv.1809.01286

Y. Dou, K. Shu, C. Xia, P. S. Yu, and L. Sun, “User preference aware fake news detection,” in Proceedings of the 44th International ACM SIGIR Conference on Research and Development in Information Retrieval, 2021, pp. 2051–2055. https://doi.org/10.48550/arXiv.2104.12259

Tomas Mikolov, Kai Chen, Greg Corrado, and Jeffrey Dean, Efficient estimation of word representations in vector space. 2013. arXiv preprint arXiv:1301.3781 (2013). https://doi.org/10.48550/arXiv.1301.3781

Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova, Bert: Pre-training of deep bidirectional transformers for language understanding, 2018. arXiv preprint arXiv:1810.04805 (2018) https://doi.org/10.48550/arXiv.1810.04805

##submission.downloads##

Опубліковано

2023-12-27

Номер

Том 4 № 78 (2023)

Розділ

КОМП’ЮТЕРНІ НАУКИ ТА ІНФОРМАЦІЙНІ ТЕХНОЛОГІЇ

Ліцензія

Authors who publish with this journal agree to the following terms:

Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.

Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.

Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).