©PaperWeekly 原创 · 作者 | 金金

单位 | 阿里巴巴研究实习生

研究方向 | 推荐系统

简介

近年来，虚假信息和假新闻对个人和社会造成了不利影响，引起了对假新闻检测的广泛关注。大多数现有的假新闻检测算法专注于挖掘新闻内容和/或周围的外生上下文以发现欺骗性信号；而忽略了用户在决定是否传播假新闻时的内在偏好。

确认偏见理论表明，当用户确认他/她现有的信念/偏好时，它更有可能传播一条假新闻。用户的历史、社交活动（例如帖子）提供了有关用户对新闻的偏好的丰富信息，并且具有促进假新闻检测的巨大潜力。然而，探索用户对假新闻检测偏好的工作有些有限。

因此，在本文中，作者研究了利用用户偏好进行假新闻检测的新问题。作者提出了一个新框架 UPFD，它通过联合内容和图形建模同时捕获来自用户偏好的各种信号。在真实数据集上的实验结果证明了所提出框架的有效性。

论文标题：

User Preference-aware Fake News Detection

论文来源：

SIGIR 2021

论文链接：

https://arxiv.org/abs/2104.12259

模型

本文的模型主要包含三个部分。

首先，给定一条新闻，作者抓取参与新闻的用户的历史帖子，以了解用户的内生偏好。作者通过使用文本表示学习技术（例如，word2vec、BERT）对历史帖子进行编码来隐式提取参与用户的偏好。新闻文本数据使用相同的方法进行编码。

其次，为了利用用户的外部上下文，本文根据其在社交媒体平台上的参与信息（例如，在 Twitter 上转发）构建新闻传播图。

第三，作者设计了一个分层信息融合过程来融合用户内生偏好和外生上下文。具体来说，作者使用 GNN 作为图编码器获得用户参与嵌入，其中由文本编码器编码的新闻和用户嵌入被用作新闻传播图中相应的节点特征。最终的新闻嵌入由用户参与嵌入和新闻文本嵌入的拼接组成，具体模型图如下。

实验

作者首先和已有的虚假新闻检测模型进行了对比，可以发现，通过对用户内生偏好进行隐式建模，在已有的公开数据集上可以取得优于其他模型的效果。

另外，作者对比了已有的图神经网络和文本表征技术在该模型中的表现能力，发现 BERT 和 GraphSAGE 的组合取得了最好的效果。

最后，作者对比了去掉对内生偏好建模和对外生上下文建模对模型效果的影响，发现二者均会降低模型性能，而去掉内生偏好建模后，模型性能下降更大，说明对内生偏好建模的确对虚假新闻检测很有帮助。

结论

在本文中，作者认为用户内生的新闻消费偏好在假新闻检测问题中起着至关重要的作用。为了验证这一论点，作者收集用户历史帖子以对用户内生偏好进行隐式建模，并利用社交媒体上的新闻传播图作为用户的外生社交背景。

作者提出了一种名为 UPFD 的端到端假新闻检测框架，以融合内生和外生信息并预测新闻在社交媒体上的可信度。实验结果证明了该模型对用户内生偏好建模的优势。

更多阅读

#投 稿 通 道#

 让你的文字被更多人看到 

如何才能让更多的优质内容以更短路径到达读者群体，缩短读者寻找优质内容的成本呢？答案就是：你不认识的人。

总有一些你不认识的人，知道你想知道的东西。PaperWeekly 或许可以成为一座桥梁，促使不同背景、不同方向的学者和学术灵感相互碰撞，迸发出更多的可能性。

PaperWeekly 鼓励高校实验室或个人，在我们的平台上分享各类优质内容，可以是最新论文解读，也可以是学术热点剖析、科研心得或竞赛经验讲解等。我们的目的只有一个，让知识真正流动起来。

???? 稿件基本要求：

• 文章确系个人原创作品，未曾在公开渠道发表，如为其他平台已发表或待发表的文章，请明确标注

• 稿件建议以 markdown 格式撰写，文中配图以附件形式发送，要求图片清晰，无版权问题

• PaperWeekly 尊重原作者署名权，并将为每篇被采纳的原创首发稿件，提供业内具有竞争力稿酬，具体依据文章阅读量和文章质量阶梯制结算

???? 投稿通道：

• 投稿邮箱：hr@paperweekly.site

• 来稿请备注即时联系方式（微信），以便我们在稿件选用的第一时间联系作者

• 您也可以直接添加小编微信（pwbot02）快速投稿，备注：姓名-投稿

△长按添加PaperWeekly小编

????

现在，在「知乎」也能找到我们了

进入知乎首页搜索「PaperWeekly」

点击「关注」订阅我们的专栏吧

关于PaperWeekly

PaperWeekly 是一个推荐、解读、讨论、报道人工智能前沿论文成果的学术平台。如果你研究或从事 AI 领域，欢迎在公众号后台点击「交流群」，小助手将把你带入 PaperWeekly 的交流群里。